Awesome-Code-as-Agent-Harness-Papers是基于综述《Code as Agent Harness》精选维护的论文清单仓库，按"接口—机制—扩展"三层组织了大量代码智能体（Code Agent）研究。本文作为进阶篇，聚焦其中最重要的Code Agent 规划机制（Planning for Code Agents），从最基础的线性分解规划，一路讲到蒙特卡洛树搜索（MCTS），帮你快速理清代码智能体究竟是如何把复杂任务拆解、搜索并编排成可执行步骤的。

🧭 规划机制在 Code Agent 中的位置

要理解规划机制，先要明白Harness（执行外壳）这个概念。在这个仓库里，代码不再只是模型"吐出来的产物"，而是智能体用来推理、行动、建模环境、接收反馈、协同工作的可执行外壳。

整个框架分为三层：

• Harness Interface（接口层）：让代码可推理、可行动、可建模环境
• Harness Mechanisms（机制层）：决定"下一步执行什么、保留什么状态、调用什么工具、如何把失败变成修正"——规划机制就属于这一层
• Scaling the Harness（扩展层）：多智能体如何在共享外壳上分工协作

下图的左上角正是本文的主角——Planning for Agent Harness，它被细分为四种规划范式：线性单路径规划、带显式结构的规划、多路径搜索规划、系统编排规划。

📖 规划机制的完整论文清单，可在仓库根目录的 README.md 中"🗺️ Planning for Code Agents"小节找到。

📐 一、线性分解规划：把任务切成一串步骤

线性分解规划（Linear Decomposition Planning）是最直觉的一种方式：把大目标自上而下拆成一条单一路径的小步骤，然后逐步执行。它简单、可解释，也是绝大多数智能体的默认思路。

• 单路径、逐步推进：适合流程清晰、分支少的任务，比如"先读需求 → 再写函数 → 最后跑测试"。
• 推理与行动交织：代表工作 ReAct 让"想一步、做一步"交替进行，成为许多代码智能体的基础范式。
• 计划后重试：PaT（Planning-after-Trial）等研究关注如何在测试时更高效地重新组织规划。

这类方法的优势是上手快、成本低，但一旦任务分支复杂，单一路径就容易"走错一步满盘皆错"——这也正是下面几类方法要解决的问题。

🏗️ 二、结构引导规划：让规划"有据可依"

当任务规模上升到整个代码仓库（Repository-level）时，光靠"一句话拆步骤"就不够了。结构引导规划（Structure-Grounded Planning）会借助代码依赖图、程序结构、知识图谱等显式结构来指导规划，让每一步都有明确的落点。

• 仓库规划图（Repository Planning Graph）：把整个代码库建模成图，统一且可扩展地组织生成顺序。
• 代码图 / AST 结构：Code Graph Model、VerilogCoder 等利用调用关系、抽象语法树做"图引导"定位与规划。
• 代码库级编码：CodePlan 这类工作用规划来协调跨文件的修改。

一句话总结：从"拆句子"升级为"读地图"，规划从此有了结构支撑，更稳定、更可复用。

🔍 三、搜索式规划：从单路径到蒙特卡洛树搜索

搜索式规划（Search-Based Planning）是本文的重头戏，也是标题中"从线性分解到蒙特卡洛树搜索"的落点。它的核心思想是：不要只赌一条路，而是在解空间里开多个分支去"探索 + 利用"。

💡 什么是蒙特卡洛树搜索（MCTS）？

蒙特卡洛树搜索（MCTS）原本是国际象棋、围棋等博弈领域的经典算法，如今被大量引入代码生成：

1. 选择（Select）：在已有的代码/思路树上，挑一个"最值得扩展"的节点；
2. 扩展（Expand）：从该节点长出一个新的代码分支；
3. 模拟（Simulate）：对新分支做执行或打分，估计其前景；
4. 回溯（Backpropagate）：把结果反馈回路径，更新各节点价值。

在仓库中，RethinkMCTS（专门修正 MCTS 中的错误思路）、CodeTree（引导式树搜索）、Tree-of-Code（自增长树框架）等工作，正是在"代码 + 树搜索"这个交叉点上展开的。它的价值在于：把"试错"从盲目尝试变成有方向的结构化搜索，尤其适合长链路、多分支的复杂编程任务。

🎭 四、编排式规划：多智能体分工协作

当单个智能体"不够用"时，规划的重心就从"拆步骤"转移到"分角色"。编排式规划（Orchestration-Based Planning）由多个智能体组成一条流水线，各自负责规划、编码、测试、评审、优化等环节，通过迭代测试与修复不断收敛。

• 角色分工：如 MetaGPT、ChatDev、AgentCoder 等，把"产品经理 / 架构师 / 编码 / 测试"等角色拆给不同智能体。
• 迭代测试 + 优化：编码智能体出方案，测试智能体跑用例，反馈驱动下一轮修订。
• 收敛判据：以测试通过、静态分析通过、性能达标等作为"何时停止"的信号。

这一层正好衔接了仓库的Scaling the Harness章节，适合想在"多智能体代码系统"方向深入的读者。

🚀 新手速查：如何在仓库里定位规划论文

下面是一份"规划机制阅读路线图"，按由浅入深排列，配合仓库目录即可快速上手：

📍 快速定位入口：

• 全部规划论文：README.md →🗺️ Planning for Code Agents小节
• 整体框架图：figs/overview.png
• 机制层详解图：figs/harness_mechanism.png
• 多智能体扩展图：figs/scaling_harness.png
• 贡献与分类规范：CONTRIBUTING.md

📝 小结

Code Agent 规划机制是代码智能体从"能写代码"走向"可靠地完成任务"的关键一环。从线性分解的简单直觉，到结构引导的地图化支撑，再到搜索式规划（尤其是蒙特卡洛树搜索 MCTS）的结构化试错，最后到编排式规划的多智能体协作——这条演进路线，恰好对应了任务复杂度不断上升的过程。

希望这份进阶解析能帮你建立清晰的坐标系：下次面对具体问题时，先判断它属于哪一类规划场景，再去仓库对应小节精读论文，会高效得多。

⭐ 本仓库持续更新，欢迎按 CONTRIBUTING.md 中的规范，为相关规划机制方向的论文提出补充建议。