文章讨论了大语言模型在规划和推理上的不足，并提出改进方法。通过提供充分信息和调整认知架构可以提升规划能力。通用架构提升推理，但领域特定架构更适合实际应用。未来模型会更智能，但定制架构仍重要。LangGraph工具有助于构建可控的认知架构，提高智能体的规划和推理能力。

OpenAI的Assistants API促进了智能体应用的发展，但在构建复杂智能体时有局限。LangChain通过LangGraph Cloud结合基础设施和认知架构，简化开发，提供容错性和优化的任务管理，帮助开发者专注创新。

本文介绍了“认知架构”，即系统从用户输入到执行操作的思考方式。架构类型包括硬编码、单次LLM调用、LLM调用链、路由器、状态机和自主代理。根据任务需求选择合适架构：简单任务用单次调用，复杂任务用调用链或状态机。LangChain和LangGraph提供灵活工具，支持不同架构选择，帮助开发者设计和实现LLM应用。

OpenAI的助手API简化了任务，但限制了复杂性。LangChain结合了代理基础设施与LangGraph对认知架构的控制。LangGraph云平台提供容错的可扩展性和优化的现实世界交互。开发者可以专注于构建差异化的认知架构。

本文介绍了认知架构的概念和不同层次的示例，强调了选择认知架构的重要性，并建议在构建LLM应用程序时尝试不同的认知架构。作者还介绍了LangChain和LangGraph的开发工作，以及它们如何提供更灵活和可定制的认知架构。