Image de Créer un agent "Plan and Execute" avec LangGraph : guide complet

Artificial Intelligence

LLM

Python

Créer un agent "Plan and Execute" avec LangGraph : guide complet

Tech Lead, CTO AXI Technologies

Romain DE LA SOUCHÈRE

Published on 16 mai 2025 · 10 min of reading

Table of content

Mise en place d'un agent avec LangGraph

Création des noeuds du graphe

Construction du graphe LangGraph

Exemple d'utilisation

Conclusion

Share with

La création d'agents intelligents capables de planifier et d'exécuter des tâches complexes est un enjeu majeur de l'IA générative. Avec LangGraph, une surcouche de LangChain spécialisée dans la construction d'agents représentés graphes d'exécution, il est aujourd'hui possible de mettre en place un agent de type "Plan and Execute" de manière structurée et efficace.

Ce tutoriel vous guide pas à pas dans la création d'un tel agent, inspiré par les modèles comme Plan-and-Solve ou BabyAGI.

Qu'est-ce qu'un agent "Plan and Execute" ?

Contrairement à un agent classique de type ReAct qui réfléchit et agit au coup par coup, un agent "Plan and Execute" suit une démarche en deux phases :

Planification : élaborer une séquence d'étapes nécessaires pour résoudre un problème donné.
Exécution : réaliser les étapes une par une, en adaptant le plan si nécessaire.

Schéma illustratif d'un agent plan-and-execute

Avantages de l'approche

Meilleure capacité de planification à long terme.
Possibilité de combiner plusieurs modèles LLM : un modèle puissant pour planifier, un plus léger pour exécuter.

Mise en place d'un agent avec LangGraph

-> Pour ceux qui débutent, voici comment créer un agent basique avec LangGraph.

1. Installation des dépendances

python

2. Initialisation des clés API

python

3. Définir les outils

Dans cet exemple, nous utilisons l'outil de recherche TavilySearchResults :

python

-> Dans cet exemple, nous utilisons l'outil de recherche TavilySearchResults, mais il est aussi possible de créer un agent LangGraph capable d'utiliser des outils externes.

4. Agent d'exécution

python

5. Structure de l'état

python

Création des noeuds du graphe

6. Planification initiale

python

7. Re-planification

python

8. Fonctions d'exécution

python

-> Pour une meilleure intégration humaine, découvrez comment exploiter le Human-in-the-Loop avec LangGraph.

Construction du graphe LangGraph

python

Plan and execute Langgraph agent

Exemple d'utilisation

python

Conclusion

L'approche "Plan and Execute" avec LangGraph permet de créer des agents plus stratégiques et flexibles, capables de raisonner à long terme. Ce modèle prépare le terrain pour des agents encore plus complexes, capables de réorganiser dynamiquement leur plan en fonction des résultats.

Pour aller plus loin, pensez à explorer des structures parallèles (DAG) pour optimiser l'exécution de plusieurs tâches simultanément.

Want to go further?

This topic is part of our Generative AI for Developers course. Browse the full programme, or get it by email.

Share with

💙 Thank you for reading the article until the end!

Romain DE LA SOUCHÈRE

Tech Lead, CTO AXI Technologies

Expert Data Engineering et Cloud, Romain affiche plus de 11 ans d'expérience, dont plusieurs années comme Lead Developer sur des solutions Smart Building haute performance. Il y a conçu et mis en production des moteurs de traitement capables d'absorber des centaines de milliers de données de capteurs par minute, ainsi que des bases clusterisées gérant plus de 10 millions de données dynamiques. Certifié Microsoft Azure DevOps Engineer Expert, il maîtrise aussi bien le développement back-end (Python, C#) que le DevOps (Docker, Kubernetes, Terraform) et les agents LLM. Formateur en Python, cloud, DevOps et IA générative appliquée, il forme avec une obsession : Amener chaque apprenant à concevoir et déployer des architectures réellement scalables en production.

» Learn More