Agent 定义

1. 概念分层：AI 进化的三个阶梯

1.1. LLM (大语言模型)：智能内核

• 定义：经过海量数据预训练的深度学习模型。
• 定位：是所有上层应用和 Agent 的“大脑”或“发动机”。
• 局限性：本质上是 无状态、无工具、且无法直接感知外部世界 的预测引擎。它是一个输入 Prompt 输出 Response 的静态黑箱。

1.2. LLM 应用：单次能力调用

• 定义：直接利用 LLM 的某项能力（如翻译、总结）解决特定需求的工具。
• 特征：单次调用或简单的固定链式调用（如 RAG：搜索 -> 提示 -> 答复）。流程是预设且僵化的，不具备自我纠错与动态规划能力。
• 示例：基础聊天机器人、文档翻译工具、简单的企业内网知识库。

1.3. Agent (智能体)：自主行动系统

• 定义：一种以 LLM 为核心大脑，集成规划、记忆与工具能力的软件架构。
• 特征：具备 感知-思考-行动 的闭环。它能自主拆解目标、判断工具调用时机、并在遇到错误时重新规划路径。
• 核心公式：

  Agent = LLM (推理能力) + Planning (规划能力) + Memory (记忆能力) + Tools (行动能力)

---

2. Agent 的四大核心能力特征

1. 循环决策 (Autonomous Loop)：不仅仅是单次交互，而是持续观察环境、更新思考并执行行动，直到达成既定目标。
2. 动态规划 (Dynamic Planning)：能将模糊的高级指令（如“写一个网站”）拆解为细粒度的子任务，并根据执行反馈（如代码报错）动态调整后续步骤。
3. 工具编排 (Tool Orchestration)：自主判断并调用外部 API（如 Google Search, SQL 执行器, Python 解释器）来弥补 LLM 自身知识时效性与计算能力的不足。
4. 长流程异步管理：支持耗时较长的运行过程，能够处理中间的人工干预（Human-in-the-loop）并维护会话状态的持久化。

---

3. 架构选型总结

维度	LLM 应用	LLM Agent
逻辑复杂度	简单/固定 SOP	复杂/开放式任务
自主性	弱（听命执行）	强（自主规划）
纠错机制	需人工重新输入	具备自我反思与重试
典型架构	简单的 RAG Chain	LangGraph / ReAct 循环

注意

核心演进 Agent 是对传统 LLM 应用的架构升级。它将 LLM 从一个“文本生成器”转变为一个能使用工具、具备长期记忆、能解决复杂问题的“虚拟数字员工”。