1. 项目概述什么是 ULTRAPLAN如果你在构建或使用 AI 智能体时遇到过那种“一上来就开干结果写到一半发现架构有问题不得不推倒重来”的尴尬局面那么 ULTRAPLAN 这个技能就是为你准备的。它不是一个执行工具而是一个“思考工具”。简单来说ULTRAPLAN 是一个专为复杂任务设计的深度战略规划模式它会在一个独立的、隔离的会话中调用最高能力的模型比如 Claude Opus给予它长达 10 到 30 分钟的“纯思考时间”让它为你生成一份详尽、可审查、结构化的行动计划在你点头批准之后才会进入真正的执行阶段。这背后的核心思想是将“思考”与“执行”这两个阶段彻底分离。我们人类在处理复杂项目时不也常常需要先开个会、画个白板、写个方案吗ULTRAPLAN 就是让 AI 智能体来完成这个“方案撰写”的工作。它特别适合那些需要架构设计、多步骤策略、风险评估或长期路线图的任务。比如“将整个微服务从 Fastify 迁移到 Hono”、“为我们的产品设计一个全新的实时协作架构”、“在不影响质量的前提下将云成本降低 50%”。对于这类任务直接让智能体开始写代码无异于让一支施工队不看图纸就盖楼风险极高。ULTRAPLAN 就是那个先花时间画好精密图纸的架构师。2. 核心设计理念与适用场景解析2.1 为什么需要“深度规划”模式在当前的 AI 智能体工作流中一个普遍的问题是“急于行动”。智能体接收到指令后倾向于立即开始执行第一个想到的步骤。这对于简单、明确的任务如“修复这个函数的语法错误”是高效的。但对于复杂任务这种线性、即时反应式的模式存在几个致命缺陷缺乏全局视野智能体可能陷入局部优化为一个子问题提供了精妙的解决方案但这个方案却与整体架构目标背道而驰。无法进行权衡分析面对多个可行方案例如选择 WebSocket 还是 Server-Sent Events 实现实时性没有足够的时间和“心理空间”去系统性地比较利弊、评估风险。风险后置问题往往在执行到中后期才暴露出来此时修正的成本时间、资源、已编写代码的废弃非常高。资源浪费直接执行可能意味着在错误的方向上消耗了大量的计算资源模型调用和时间。ULTRAPLAN 的设计正是为了根治这些问题。它强制引入一个“冷却期”和“战略期”其价值不在于生成的那份文档而在于强制进行的深度思考过程本身。这模仿了人类专家在面临复杂挑战时的最佳实践暂停、研究、分析、规划然后行动。2.2 何时应该以及何时不该使用 ULTRAPLAN理解 ULTRAPLAN 的适用边界是高效利用它的关键。根据项目文档和实际经验我为你梳理了清晰的决策树。你应该毫不犹豫地触发 ULTRAPLAN 的场景架构级决策需要选择技术栈、设计系统模块划分、定义数据流。例如“评估将状态管理从 Redux 迁移到 Zustand 的可行性与实施方案”。多阶段项目规划项目周期超过数天包含多个相互依赖的阶段。例如“为零代码搭建平台设计并实现一个可视化工作流编辑器”。高风险变更任何可能对现有稳定系统造成广泛影响的修改。例如“重构整个项目的身份认证与授权系统”。探索性任务目标明确但路径模糊需要先厘清“怎么做”甚至“做什么”。例如“利用现有用户行为数据设计一套提升留存率的自动化干预机制”。资源优化涉及成本、性能等需要量化分析和权衡的目标。例如“优化向量数据库的查询性能在预算增加不超过20%的前提下将 P95 延迟降低 50%”。你应该避免使用 ULTRAPLAN 的场景简单、线性的任务任务步骤清晰无需创造性决策。例如“给这个 API 添加一个分页参数”、“修复这个拼写错误”。紧急修复线上故障需要立即处理时间优先级远高于方案完美性。你已经胸有成竹你本人对任务的全貌、步骤、风险已有清晰认知只需要一个“执行助手”。任务本身过于模糊如果连你自己都无法清晰描述任务那么丢给 ULTRAPLAN 大概率会得到一堆空泛的问题。你需要先自己或通过简单对话厘清核心诉求。实操心得一个非常实用的经验法则是“4小时规则”。粗略估计一下如果这个任务交给一个熟练的工程师或你自己来执行需要超过 4 个小时吗如果需要那么使用 ULTRAPLAN 进行前期规划其带来的架构清晰度和风险规避价值通常能覆盖其自身的“思考成本”从长远看是节省时间的。反之如果估计执行时间小于1小时直接动手往往更快。3. ULTRAPLAN 的工作机制与流程拆解3.1 从触发到产出的完整流程ULTRAPLAN 不是一个黑盒理解其内部工作流有助于你更好地与之协作。其核心流程可以分解为以下八个步骤形成了一个完整的“规划-审查-执行”闭环。用户输入: “ultraplan: 为我们的多智能体系统设计一个基于优先级的任务调度器” ↓ 步骤 1: 解析任务描述 智能体解析你的指令提取核心任务目标。 ↓ 步骤 2: 收集上下文 智能体会询问或自动识别相关的上下文文件。例如它可能会要求你提供当前系统的架构图、已有的任务队列实现代码、或相关的需求文档。你提供的上下文越丰富规划质量越高。 ↓ 步骤 3: 生成并执行规划任务 系统在一个**完全隔离的会话**中生成一个结构化的提示词Prompt并调用指定的高性能模型如 Claude Opus来执行“仅思考”任务。这个会话有独立的超时设置默认30分钟并且被严格限制为只读模式禁止任何写文件、执行命令的操作。 ↓ 步骤 4: 深度思考与分析 模型利用分配的10-30分钟时间进行深度分析。它会拆解问题、调研通过内置的网页搜索或读取文件、构思多种方案、评估风险、估算资源。这个过程模拟了人类专家的系统性思考。 ↓ 步骤 5: 生成结构化计划 思考结束后模型必须按照一个固定的模板输出计划。这个模板强制它覆盖从问题分析到风险预案的所有方面确保计划的完整性和可审查性。 ↓ 步骤 6: 保存与呈现 生成的计划被自动保存到本地一个结构化的目录中例如 ~/.openclaw/workspace/state/ultraplan/{任务ID}/并以清晰的形式呈现给你。你会看到一份包含摘要和详细章节的 Markdown 文档。 ↓ 步骤 7: 人工审查与决策 这是**最关键的一步**。你作为人类需要仔细审阅这份计划。你可以**批准**计划可行进入执行、**拒绝**计划不可行重新思考或放弃、或**修改**在计划基础上提出调整意见然后重新生成或直接调整。 ↓ 步骤 8: 移交执行可选 一旦你批准了计划如果系统集成了像 pipeline-orchestrator 这样的执行管道你可以选择将这份计划直接“喂”给管道。此时计划中的“详细执行步骤”部分会自动填充到管道的规划阶段大幅节省后续编排的时间。这个流程的精髓在于“人机协同决策”。AI 负责提供全面、深度、不知疲倦的分析而人类负责提供最终的方向把控、价值判断和风险兜底。3.2 核心ULTRAPLAN 提示词模板深度解析ULTRAPLAN 规划质量的高低很大程度上取决于其内部使用的提示词模板。这个模板是经过精心设计的它强制模型进行结构化输出避免了天马行空或遗漏关键信息。我们来逐部分拆解这个模板的设计意图和最佳实践。# ULTRAPLAN: Deep Strategic Planning 设定场景和最高指令深度战略规划不执行 ## Task {用户的任务描述} 这里需要清晰、具体。模糊的任务会导致模糊的计划。 ## Context {相关的文件、代码库结构、约束条件} 这是计划的“燃料”。可以提供代码片段、配置文件、架构说明、业务指标等。 ## Your Output Must Include 以下是强制性的输出结构缺一不可 ### 1. Problem Analysis - **意图**确保 AI 和你对问题的理解完全对齐。避免“我以为你要的是A结果你做的是B”的尴尬。 - **要点**必须明确“当前状态”和“目标状态”的差距识别所有已知的约束技术、时间、资源、合规等并坦诚地列出未知项。 ### 2. Approach Options - **意图**避免“第一个想到的方案就是最好的”这种思维陷阱。强制进行多方案比较。 - **要点**每个方案需描述其核心思路。**Pros/Cons 要具体**不能只说“性能好”要说“预计 QPS 能从 100 提升到 1000但内存占用会增加 50%”。风险等级和预估工作量如“2人周”是决策的关键输入。 ### 3. Recommended Approach - **意图**在分析基础上做出明确的、有理有据的推荐。 - **要点**必须清晰说明**为什么**选择这个方案而不是其他。这里列出的“关键假设”至关重要它们是计划可行性的基石例如“假设用户并发数不会超过10万”、“假设第三方 API 的 SLA 为 99.9%”。 ### 4. Detailed Execution Plan - **意图**将宏观方案拆解为可操作、可验证的微观步骤。 - **要点**必须分阶段Phase每个阶段有明确的输入、活动、输出和验收标准。依赖关系要画清楚避免并行任务因依赖而阻塞。时间估算要合理为每个阶段预留缓冲。 ### 5. Risk Mitigation - **意图**变被动应对为主动防御。提前思考可能出错的地方。 - **要点**风险描述要具体如“数据库迁移过程中可能出现数据不一致”检测手段要可操作如“在预发布环境进行全量数据校验”回退方案要明确如“如果校验失败立即切回旧数据库并执行回滚脚本 ABC”。 ### 6. Resource Requirements - **意图**让执行前的准备一步到位。 - **要点**这是后续执行的“物料清单”。修改/创建的文件列表可以直接生成任务工单依赖项列表可以用于准备环境外部服务需求需要提前申请权限或配额。 ### 7. Open Questions - **意图**明确计划的边界和不确定性推动问题在执行前被澄清。 - **要点**这是 AI 向你发出的“求助信号”。高质量的问题能帮助你发现前期考虑的盲区。例如“用户隐私数据的匿名化处理标准是否需要遵循 GDPR 或本地法规请明确。”注意事项这个模板是质量的保证但也是约束。有时 AI 可能会为了填满模板而生成一些泛泛而谈的内容。在审查时你需要特别关注“Pros/Cons 是否量化”、“风险是否具体”、“执行步骤是否真的可操作”。如果发现某一部分很空洞你应该在反馈中明确指出要求 AI 重新思考或补充。4. 实操指南安装、配置与触发4.1 环境准备与技能安装ULTRAPLAN 通常作为一个“技能”集成到现有的 AI 智能体平台中如项目提到的 OpenClaw。假设你的智能体工作空间目录为~/.openclaw/workspace安装过程通常非常简单本质上是将技能包复制到对应的技能目录。# 假设你已经将 ultraplan 技能包下载或克隆到本地 # 进入技能包目录 cd /path/to/ultraplan-skill # 将其复制到智能体的技能目录下 cp -r ./ ~/.openclaw/workspace/skills/ultraplan/复制完成后你需要确保你的智能体框架已正确加载该技能。具体方式取决于框架可能需要重启智能体服务或在配置文件中添加ultraplan技能引用。# 例如在某个智能体的配置文件中可能这样启用技能 skills: - name: ultraplan enabled: true config: default_timeout_seconds: 1800 # 默认思考超时时间 default_model: claude-3-opus # 默认使用的模型 plan_save_path: state/ultraplan # 计划保存路径关键配置参数解析default_timeout_seconds规划会话的最长运行时间。对于极其复杂的问题30分钟1800秒可能不够你可以酌情增加。但也要考虑成本。default_model指定用于深度思考的模型。强烈建议使用能力最强的模型如 Claude Opus、GPT-4因为思考质量直接决定计划质量。使用较弱模型可能事倍功半。plan_save_path计划文件的存储根目录。确保该路径有写入权限。4.2 如何触发一次深度规划安装配置完成后触发 ULTRAPLAN 非常直观。你只需要在与智能体的对话中使用约定的触发短语即可。基础触发直接在你的任务描述前加上ultraplan:前缀。你 ultraplan: 重新设计我们项目的错误监控与报警系统使其能关联到具体的用户会话和业务操作。 智能体 已收到深度规划请求。我将开启一个独立的会话进行战略思考此过程可能需要10-30分钟。请稍候...携带上下文触发在发送指令的同时附上相关的文件。大多数智能体界面都支持附件功能。你[附上当前的错误日志结构文档、系统架构图、以及报警规则的配置文件] 你ultraplan: 基于现有资料优化我们的报警规则减少误报并建立错误根因分析链路。提供上下文能极大提升规划的相关性和准确性强烈推荐在可能的情况下都这样做。其他触发短语根据技能的具体实现可能还支持一些别名使交互更自然。你deep plan: 评估在下一个季度引入 Rust 重写性能关键模块的可行性。 你think deeply about: 如果我们把缓存从 Redis 迁移到 DragonflyDB会有什么影响和需要注意的事项4.3 规划过程与结果审查触发后智能体会进入“思考中”状态。此时它可能不会实时输出流式文字而是后台运行一个独立的会话。你可以去喝杯咖啡等待通知。规划完成后智能体会将结果呈现给你。一份优秀的规划报告可能看起来像这样# ULTRAPLAN 报告错误监控系统重构计划 **任务ID**: up-7a7b3c **状态**: 待审查 **思考时长**: 18分钟 ## 摘要 计划将现有的分散错误日志整合为一个可追溯的链路系统引入错误指纹以减少重复报警并建立分级报警策略。预计总工作量为 3-4 人周主要风险在于历史数据迁移... --- [以下是完整的计划内容结构如前文模板所示] --- ## 下一步 请审查以上计划。你可以 1. **批准** - 我将保存此计划并可选择移交执行。 2. **拒绝** - 废弃此计划任务结束。 3. **修改** - 请提出你的修改意见我将基于此更新计划。你的审查工作至关重要快速浏览摘要了解核心方案和规模。仔细阅读“问题分析”和“推荐方案”确认 AI 是否真正理解了问题以及推荐理由是否成立。重点审查“详细执行计划”和“风险缓解”这是计划可落地的关键。检查阶段划分是否合理步骤是否具体风险应对措施是否有效。查看“开放问题”回答这些问题能进一步完善计划。如果计划大体满意但有些细节需要调整你可以直接给出修改意见例如“在阶段二中除了性能测试请增加与旧系统并行的数据一致性验证步骤。” 智能体会根据你的反馈更新计划。5. 高级应用与执行管道的集成ULTRAPLAN 的真正威力在于它与执行引擎的结合形成“谋定而后动”的自动化工作流。项目文档中提到了与pipeline-orchestrator的集成这是一个非常强大的模式。5.1 集成工作流解析在没有集成的情况下ULTRAPLAN 产出计划你需要人工阅读然后手动创建任务或指导智能体一步步执行。集成之后这个过程可以自动化。ULTRAPLAN ↓ 产出结构化计划 ↓ 你的批准 ↓ 自动转换 ↓ Pipeline Orchestrator 执行引擎 ↓ 自动分阶段执行任务具体来说ULTRAPLAN 生成的计划中“详细执行计划”部分每一个阶段Phase及其具体步骤会被自动转换为执行管道中的一个“任务节点”。“验收标准”会成为该节点的成功判断条件。“资源需求”列表如需要修改的文件、安装的依赖会成为管道的初始化配置。管道执行器会按照计划定义的顺序和依赖关系自动调度和执行这些任务可能是调用不同的智能体技能也可能是运行脚本。这相当于你有了一个 AI “首席架构师”和一个 AI “项目经理”加“工程师团队”。架构师ULTRAPLAN负责出蓝图项目经理管道负责把蓝图分解成施工任务并监督完成。5.2 集成配置与实战示例假设你的pipeline-orchestrator技能期望的输入是一种特定的 YAML 或 JSON 格式。你需要在 ULTRAPLAN 技能中或在某个中间转换层编写一个适配器。概念性适配器逻辑伪代码def convert_plan_to_pipeline(ultraplan_output): pipeline_stages [] for phase in ultraplan_output.detailed_execution_plan: stage { name: phase.title, description: phase.what_to_do, agent_skill: code_implementer, # 指定执行此阶段用哪个技能 parameters: { files: phase.files_to_modify, acceptance_criteria: phase.verification_criteria }, dependencies: phase.dependencies_on_prior_phases } pipeline_stages.append(stage) pipeline_config { name: ultraplan_output.task, stages: pipeline_stages, resources: ultraplan_output.resource_requirements } return pipeline_config当你在审查界面点击“批准并移交管道”时后台就会调用类似逻辑将 Markdown 计划转换为管道配置并自动启动管道。实战场景迁移数据库触发规划ultraplan: 将用户数据从 MongoDB 迁移到 PostgreSQL要求零停机、数据一致。审查计划AI 给出一个包含“双写”、“数据同步验证”、“流量切换”、“旧数据清理”四个阶段的详细计划并评估了每个阶段的风险。批准并移交你点击批准计划被自动转换为一个四阶段的管道。自动执行阶段一管道调用“数据库操作”技能在应用层建立双写逻辑。阶段二调用“数据校验”技能运行一致性检查脚本。阶段三调用“配置管理”技能将数据库连接串切换到 PostgreSQL。阶段四调用“清理”技能停用双写并归档旧 MongoDB 数据。 在整个过程中你只需要在关键节点如切换流量前进行确认其余均由自动化管道管理。6. 成本控制、最佳实践与常见问题6.1 成本考量与优化策略使用最强模型进行长达30分钟的深度思考成本是必须面对的现实。一次 ULTRAPLAN 会话的成本可能从几元到十几元人民币不等取决于上下文长度和模型定价。成本控制策略严格遵守“4小时规则”这是最根本的原则。只对值得的任务进行深度规划。精准提供上下文在触发前整理好最相关的文档、代码片段。避免让 AI 在大量无关文件中“大海捞针”这既费时间Token又费钱。你可以先通过简单对话让智能体帮你提取关键上下文。设定合理的超时时间不是每个任务都需要30分钟。对于中等复杂度任务可以在触发时指定更短时间例如ultraplan(timeout600): ...如果技能支持参数。这需要你根据经验判断。善用“修改”而非“重来”如果生成的计划主体正确但部分细节有问题尽量使用“修改”功能给出明确的反馈让 AI 调整。这比直接“拒绝”并触发一次全新的规划要节省成本。将大任务分解对于一个巨大的项目如“重写整个前端”不要一次性丢给 ULTRAPLAN。先让它规划整体架构和阶段划分然后针对每个具体阶段如“实现新的状态管理模块”再分别进行深度规划。6.2 提升规划质量的独家技巧除了基本的用法一些进阶技巧能让你从 ULTRAPLAN 中获得更具洞察力的结果。在任务描述中植入“思考框架”你可以引导 AI 的思考方向。例如ultraplan: 从可维护性、性能、团队学习成本三个维度评估引入 GraphQL 替代现有 REST API 的方案。这比简单的“评估引入 GraphQL”能得到更结构化的比较。要求量化输出在审查时如果发现方案对比中的利弊描述很模糊如“性能更好”在反馈中明确要求量化。例如“请对方案A和方案B的预估 QPS每秒查询率、内存占用和冷启动时间进行量化对比。”利用“开放问题”进行双向澄清不要忽视 AI 提出的开放问题。认真回答它们并可以要求 AI 基于你的回答更新计划。这是一个绝佳的人机协同深化思考的过程。建立计划知识库所有生成的计划都保存在state/ultraplan/目录下。定期回顾这些计划无论成功与否都是宝贵的经验。你可以分析哪些类型的任务规划得好哪些规划得差从而优化你未来触发 ULTRAPLAN 的方式。6.3 常见问题与故障排查在实际使用中你可能会遇到以下情况问题一ULTRAPLAN 运行超时没有产出完整计划。可能原因任务过于复杂30分钟不够或模型陷入了某个细节的无限思考。解决方案首先检查保存目录中是否有部分输出。有时模型已经输出了大部分内容。如果任务确实庞大尝试将其拆分为多个子任务分别规划。如果怀疑是模型“卡住”可以尝试在任务描述中增加约束如“请优先考虑最核心的三种方案”。问题二生成的计划看起来泛泛而谈缺乏可操作性。可能原因任务描述本身太模糊或提供的上下文不足。解决方案这是最常见的问题。重新定义任务使其更具体、可衡量。将“优化系统”改为“将 API 的 P99 延迟从 200ms 降低到 100ms 以内”。同时务必提供关键的代码、日志和指标数据作为上下文。问题三计划中推荐的技术方案明显不合理或过时。可能原因模型的知识截止日期限制或它没有接触到最新的技术社区信息。解决方案这是人类审查的核心价值所在。你需要在“修改”反馈中明确指出“方案B中提到的 XX 库已停止维护请考虑使用其替代者 YY 库并重新评估。” 你也可以在初始上下文中附上最新的技术选型文档。问题四如何管理大量生成的计划文件解决方案计划目录state/ultraplan/通常按任务 ID 和日期组织。你可以编写简单的脚本定期将已执行完成的计划归档或将meta.json中的关键信息任务、状态、时间提取到一个总览表格中方便检索和管理。ULTRAPLAN 代表的是一种更成熟、更工程化的 AI 智能体使用范式。它承认当前 AI 在复杂逻辑和长远规划上仍有局限通过引入结构化的“慢思考”环节和关键的人工审查节点将人类的战略判断与 AI 的广博知识和不知疲倦的分析能力相结合从而可靠地处理那些真正棘手、高价值的复杂问题。它不是让 AI 替代你思考而是成为你身边一个拥有无限耐心和强大分析能力的战略顾问。