Titre RNCP Niveau 7

Maîtrisez pipelines, cloud & IA pour devenir Data Engineer opérationnel.

Devenez Data Engineer

Formations

Advanced

9 mois

Mastère Modern Data Engineer

Construisez des pipelines de données robustes, scalables et prêts pour la production. Devenez un ingénieur data capable de concevoir, déployer et industrialiser des architectures modernes cloud & Big Data.

Découvrir la formation

Toutes nos formations →

L'équipe La plateforme

Offre entreprises

🇫🇷

🇫🇷Français

🇬🇧Anglais

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

Artificial Intelligence

LLM

Python

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

Lead Developer, Expert Cloud et DevOps

Romain DE LA SOUCHÈRE

Publié le 16 mai 2025 · 10 min de lecture

Table de matières

Partager avec

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

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.

Partager avec

💙 Merci d'avoir parcouru l'article jusqu'à la fin !

Romain DE LA SOUCHÈRE - Lead Developer, Expert Cloud et DevOps

Ingénieur de formation avec plus de 11 ans d'expérience dans le développement back-end et le data engineering. Expert dans l’industrialisation des projets data dans le cloud.

» En savoir plus