AgentExecutor 顾名思义，Agent执行器，本篇先简单看看LangChain是如何实现的。

    先回顾

AI菜鸟向前飞 — LangChain系列之十四 - Agent系列：从现象看机制（上篇）

AI菜鸟向前飞 — LangChain系列之十五 - Agent系列：从现象看机制（中篇）一个Agent的“旅行”

AI菜鸟向前飞 — LangChain系列之十六 - Agent系列：从现象看机制（下篇）一款“无需传递中间步骤"的Agent

当时在介绍Agent，给大家的一个让Agent执行的示例，

intermediate_steps = []
while not isinstance(
    res := agent.invoke({"input": "AI菜鸟向前飞系列文章出自哪里?", "intermediate_steps": intermediate_steps}), AgentFinish):
    for each in res:
        observation = {tool.name: tool for tool in tools}[each.tool].invoke(each.tool_input)
        intermediate_steps.append((each, observation))

这次为了方便与AgentExecutor更好的对比，将程序微调如下样式：

intermediate_steps = []
while True:
    res = agent.invoke({"input": "AI菜鸟向前飞系列文章出自哪里?", "intermediate_steps": intermediate_steps})
    if isinstance(res, AgentFinish):
        break
    for each in res:
        observation = {tool.name: tool for tool in tools}[each.tool].invoke(each.tool_input)
        intermediate_steps.append((each, observation))

抽丝剥茧，从下图可以更好的看出官方是如何实现的，其实、“几乎一样”

释义：

• 蓝色：官方用迭代次数 与耗时多方面判断是否要进入循环（即：while True）

• 褐色：官方也是AgentFinish判断，和拼接intermediate_steps（即：循环体内部处理）

• 敲黑板、划重点

  • 粉色：特有的类型，AgentStep，它将每一个要执行的方法和返回值都作为一个AgentStep，例如：

    

  • 绿色：另一种实现方法，封装为def plan作用是调用LLM（大语言模型）后，大模型响应的内容（这个很好理解，就不晒图了）

One more thing...

谈谈Tool的return_direct属性   为啥之前讲tool时不介绍它，因为学会了AgentExecutor再了解它会更有意义：） 

AI菜鸟向前飞 — LangChain系列之十三 - 关于Tool的必知必会

若看不懂的话，咱们做个实验 ，tool的return_direct取值

• True

{'input': 'AI菜鸟向前飞系列文章出自哪里?', 'output': 'AI菜鸟向前飞文章出自Song榆钱儿的公众号。'

• False（默认）

// 不同的LLM的output内容可能会不同
{'input': 'AI菜鸟向前飞系列文章出自哪里?', 'output': 'AI菜鸟向前飞系列文章出自Song榆钱儿的公众号。'

简单来说，True：直接返回函数的返回值，False：将函数返回值再经过‘润色’返回