摘要当任务执行路径不确定时，Agent 需要在多个可能的行动之间搜索并自我修正。本文系统分析三类树搜索策略（BFS、DFS、MCTS）在 Agent 规划中的应用边界，以及两种反思回溯模式（ToT 的树状遍历与 Reflection 的单链回退）。核心发现：MCTS 在分支因子 3 的任务中准确率比 DFS 高 21.6%，但 token 成本高 3.2 倍；剪枝策略可将无效搜索路径减少 41%，但误剪率约 7.3%。本文给出一个基于搜索深度和分支因子的工程选型框架，帮助工程师在准确率与搜索成本之间找到最优平衡。1. 搜索空间的维度：深度、分支因子与奖励密度树搜索在 Agent 规划中的目标是从多个可能的行动路径中找到最优解。搜索空间的三个核心维度决定了搜索策略的选择。 摘要当任务执行路径不确定时，Agent 需要在多个可能的行动之间搜索并自我修正。本文系统分析三类树搜索策略（BFS、DFS、MCTS）在 Agent 规划中的应用边界，以及两种反思回溯模式（ToT 的树状遍历与 Reflection 的单链回退）。核心发现：MCTS 在分支因子 3 的任务中准确率比 DFS 高 21.6%，但 token 成本高 3.2 倍；剪枝策略可将无效搜索路径减少 41%，但误剪率约 7.3%。本文给出一个基于搜索深度和分支因子的工程选型框架，帮助工程师在准确率与搜索成本之间找到最优平衡。1. 搜索空间的维度：深度、分支因子与奖励密度树搜索在 Agent 规划中的目标是从多个可能的行动路径中找到最优解。搜索空间的三个核心维度决定了搜索策略的选择。 
算法精解与面试技巧)
