AI Agent 为什么不能随便放权？一文搞懂 Plan、Default 与 Auto 三种运行模式

一文搞懂 Plan、Default 与 Auto：该给 AI Agent 多大的自主权？

你有没有遇到过这样的场景？

你让 Claude Code 帮忙重构一个模块，它立刻开始读取文件、修改代码、执行命令。几分钟后，十几个文件已经被修改。

虽然效率很高，但也带来了一个问题：如果 Agent 理解错了需求，或者执行了危险操作怎么办？

这就是 AI Agent 需要运行模式（Agent Modes）的原因。

一、为什么需要运行模式？

传统的 Chatbot 主要负责生成文本，而 Claude Code、Codex 等 Coding Agent 不仅能回答问题，还能直接操作文件系统、调用工具和执行终端命令。

这意味着 Agent 拥有了真正的执行能力，同时也带来了潜在风险。

因此，Agent 的设计始终面临一个矛盾：

自主权太大：执行效率高，但可能误改文件、执行危险命令。
自主权太小：操作更可控，但每一步都需要人工确认，效率低下。

运行模式就是为了解决这个问题。

它通过控制 Agent 的工具使用权限和审批流程，在执行效率与安全性之间寻找平衡。

二、三种常见的运行模式

虽然不同 Agent 产品的命名和实现有所区别，但可以从概念上将运行模式分为三类。

模式	核心思想	适用场景
Plan	先分析、制定计划，不直接修改项目	架构设计、大型重构
Default	允许执行任务，部分操作需要人工审批	日常开发、Bug 修复
Auto / Yolo	减少人工审批，提高自主执行程度	批量修改、长任务

1. Plan 模式：先想清楚，再动手

假设你提出一个需求：

帮我把项目的用户认证模块重构一下。

如果直接让 Agent 修改代码，它可能因为理解不准确而改动大量文件。

Plan 模式则不同。

Agent 会先阅读代码、分析项目结构、制定修改方案，再交给你审查。

整个过程可以理解为：

理解需求 → 分析代码 → 制定方案 → 人工确认

它的优势主要有三个：

降低返工风险：提前发现方案中的问题。
减少无效尝试：避免 Agent 反复修改错误的实现。
方便团队协作：可以先讨论方案，再进入开发阶段。

需要注意，Plan 模式通常限制修改项目文件，但具体工具可能允许保存计划文档。

2. Default 模式：边执行，边审批

Default 模式可以理解为一种人机协作模式。

Agent 能够执行开发任务，但部分操作需要用户确认。

例如：

Agent 读取项目文件，分析问题。
Agent 准备执行某项需要审批的操作。
用户确认或者拒绝。
Agent 根据结果继续执行。

这种设计被称为 Human-in-the-loop（人在环中）。

人类不需要亲自完成所有操作，但可以在关键节点进行干预。

适合日常功能开发、Bug 修复以及需要谨慎处理的项目。

不过，不同 Agent 的默认权限并不相同，并不是所有文件修改都会触发审批。

3. Auto 模式：让 Agent 自主执行

Auto 模式进一步减少人工干预。

例如，你让 Agent：

把项目中的所有旧版 API 调用迁移到新版本，并运行测试。

Agent 可以连续执行文件修改、命令调用和测试等操作，不必每一步都等待用户确认。

这尤其适合耗时较长、操作重复的任务。

但需要注意：

Auto 不等于绝对安全，也不意味着所有安全限制都会失效。

不同产品可能通过权限规则、安全检查或沙箱机制限制 Agent 的行为。

因此，最好在 Docker、虚拟机或其他隔离环境中执行高风险的自动化任务。

三、运行模式的底层原理是什么？

三种模式看似不同，本质上都围绕一个问题：

Agent 准备调用工具时，系统应该如何处理？

例如，Agent 想执行一条终端命令。

系统可以根据当前模式和权限配置做出不同决策：

Allow（允许）：直接执行。
Ask（询问）：等待用户批准。
Deny（拒绝）：禁止执行。

这就是 Agent 的权限控制机制。

但还要区分另一个概念：Sandbox（沙箱）。

权限控制决定操作是否被批准，而沙箱负责限制操作实际能够影响的环境。

例如，即使 Agent 被允许执行某条命令，沙箱也可能限制它访问沙箱外的文件或网络资源。

两者配合，才能构建更可靠的执行环境。

四、实际开发中应该如何选择？

三种模式并不是互相排斥的，可以根据任务阶段灵活切换。

以重构一个大型项目为例：

第一步：Plan 模式

让 Agent 阅读代码，分析依赖关系，输出完整的重构方案。

第二步：人工审查

确认方案是否合理，有没有遗漏关键模块。

第三步：Default 或 Auto 模式

对于风险较高的操作，采用人工审批；对于低风险、重复性的操作，可以提高自动化程度。

第四步：检查结果

通过 Git Diff、自动化测试等方式验证 Agent 的修改是否符合预期。

整个流程可以概括为：

Plan（规划）→ Review（审查）→ Execute（执行）→ Verify（验证）

这种方式既保留了 Agent 的执行效率，也减少了完全放权带来的风险。

五、总结与思考

Agent 的三种运行模式，可以用三句话理解：

Plan：先告诉我你准备怎么做。
Default：你可以做，但关键操作需要我确认。
Auto：你自主完成任务，我最后检查结果。

它们没有绝对的优劣之分，只有适用场景的区别。

进一步思考，Agent Modes 其实体现了 AI Agent 系统设计中的一个重要理念：

Agent 的能力不仅取决于模型有多聪明，还取决于系统如何约束和管理它的行为。

一个成熟的 Agent 系统，不仅需要让模型学会调用工具，还需要通过权限控制、人工审批和沙箱隔离等机制，让工具调用变得可控、可靠。

这也是 Agent Harness（Agent 运行框架）中值得关注的一个重要工程设计问题。