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):breakfor 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
