超越纠缠式规划：面向长程代理的任务解耦规划

大语言模型（LLM）的最新进展使代理能够自主执行复杂的长程任务，但规划仍是可靠任务执行的主要瓶颈。现有方法大致分为两种范式：逐步规划（step-wise planning），反应式但往往短视；一次性规划（one-shot planning），预先生成完整计划但对执行错误脆弱。关键在于，两种范式都受制于纠缠上下文：代理必须跨越多个子任务对单一整体历史进行推理。这种纠缠增加认知负担，并让局部错误在原本独立的决策间传播，使恢复的计算成本高昂。为此，我们提出Task-Decoupled Planning（TDP），一个用任务解耦取代纠缠推理的免训练框架。TDP通过Supervisor将任务分解为子目标的有向无环图（DAG），使用具有作用域上下文（scoped contexts）的Planner与Executor，将推理与重规划限定在活动子任务内。这种隔离防止错误传播，并在不干扰工作流的情况下局部纠正偏差。在TravelPlanner、ScienceWorld与HotpotQA上的结果表明，TDP超越强基线，同时token消耗最多降低82%，证明子任务解耦能同时改善长程代理的鲁棒性与效率。