一项针对 157 个 AI 代理部署的显著研究表明，规划质量而非执行速度或模型规模，是决定成功的首要因素。这一观察推动了"Orca 风格”代理的开发，此类代理具有层级结构并优先进行规划。研究通过在不同应用场景中调整代理架构、规划深度和执行模型展开。将更多 token 分配给规划的代理，在任务完成率和减少回滚方面均取得了显著提升。其背后的经济原理在于：与执行过程中纠正错误的高昂成本相比，规划的成本极低。Orca 风格代理将规划与执行分离，由战略规划器处理复杂推理，由专用执行器执行定义的任务。专家拥有描述其能力的“技能卡”，共享记忆层则用于维护状态。关键的有效实现模式包括带验证门的递归分解、专家路由以及状态上下文传播。应避免的陷阱包括过度规划、专家碎片化过度、静默重规划以及上下文窗口囤积。对于多步骤工作流和高 stakes 操作，推荐使用 Orca 风格代理舰队。成本模型表明，对于复杂任务，Orca 风格架构更具优势，因重试和升级次数减少而降低了总 token 成本。AI 代理的未来发展很可能聚焦于通过专用工具和库增强规划能力。核心洞见在于：深思熟虑的规划是代理工作的最关键方面。实施 Orca 风格规划可从单个规划函数开始，该函数分解目标并验证每一步。