Agent框架LangGraph：实现一个简单的Plan-and-Execute Agent

写在前面

大型语言模型（LLM）作为 Agent 的“大脑”时，展现出了强大的潜力。然而，面对需要长远规划和多步骤推理的复杂任务，简单的“想到哪做到哪”（如典型的 ReAct 风格）的 Agent 往往会遇到困难。它们可能在中间步骤迷失方向，或者无法预见后续步骤的需求，导致任务失败或效率低下。

为了克服这一局限，Plan-and-Execute（规划与执行） 成为了一种备受关注的 Agent 设计模式。这种模式的核心思想是：先思考，再行动，边行动，边调整。 Agent 首先会根据用户目标制定一个多步骤的计划，然后逐一执行计划中的任务，并在执行过程中根据实际结果反思和修正后续计划。这种模式借鉴了人类解决复杂问题时常用的策略，也受到了 Plan-and-Solve 论文和 Baby-AGI 等项目的启发。

LangGraph 是 LangChain 生态中用于构建可循环、有状态、多 Agent 应用的强大库。它基于图（Graph）的思想，允许开发者定义 Agent 的状态、节点（处理单元）和边（状态转换逻辑），非常适合实现 Plan-and-Execute 这种包含规划、执行、反思循环的复杂 Agent 架构。

本篇博客将基于 LangChain 官方提供的 Plan-and-Execute 教程，深入剖析如何使用 Python 和