从 LLM 到 Agent：一篇文章课带你彻底搞懂 AI 智能体的核心逻辑

前言

最近上了一堂关于 AI Agent 的直播课，信息密度很高，把 LLM 的本质、Agent 的架构、工作流的设计思路完整串了一遍，还带了一个 Prompt 驱动的图文内容生成实战案例。

这篇文章不只是课堂笔记的整理------我还结合自己的理解，把每个概念拆开揉碎了讲，让你读完能真正理解：LLM 到底在做什么、Agent 凭什么能「干活」、以及怎么自己动手搭一个。

一、重新认识 LLM：它不是魔法，是数学

1.1 什么是 LLM

LLM（Large Language Model，大语言模型），一句话定义：一个能理解和生成自然语言的神经网络模型。

但这句话太抽象了。我们一层层拆开：

「模型」 是什么？就是一份代码 + 一份权重文件。代码定义了网络结构（比如 Transformer），权重文件是一堆数字（参数量动辄几十亿到几千亿）。
「大」 在哪？参数量大、训练数据量大、计算量大。GPT-4 据传有 1.76 万亿参数，训练数据超过 13 万亿 token。
「语言」 为什么是语言？因为输入和输出都是自然语言文本，没有别的。

1.2 模型内部到底在干什么

很多人以为 LLM 在「思考」，其实不是。底层发生的只有一件事：高维向量空间中的矩阵运算。

整个过程分三步：

第一步：分词（Tokenization） --- 把文本切成 token。中文一个字可能是一个 token，「人工智能」可能是两个 token：「人工」+「智能」。一句话经过分词器变成一串数字 ID。

第二步：嵌入（Embedding） --- 每个 token ID 被映射到一个高维向量，比如 4096 维。这个向量的每个维度代表某种语义特征：是名词还是动词、积极还是消极、与哪些概念相关......这些都是模型在训练中自己学出来的，没人手动标注。

第三步：Transformer 计算 --- 所有 token 的向量在 Transformer 网络里经过多层计算，每一层做两件事：

自注意力（Self-Attention）：让每个 token「看到」上下文中的其他 token，计算它们之间的相关性。这是 LLM 能理解语境的根源。
前馈网络（Feed-Forward Network）：对每个 token 的表示做非线性变换，提取更深层的语义特征。

最后输出的，是下一个 token 的概率分布。模型做的事情就是：给定前面的文字，预测下一个最可能出现的 token。然后把这个 token 拼上去，再预测下一个......循环往复，就生成了一整段话。

核心认知：理解自然语言 = 做数字运算。 不要被「智能」两个字唬住。当然，当参数达到千亿级别时，涌现出的能力确实惊人，但底层原理始终是数学。

1.3 一个直观类比

把 LLM 想象成一个拥有几万个旋钮的收音机：

训练阶段：调了几十亿次旋钮（反向传播 + 梯度下降），让收音机能收听到人类的语言频道。
推理阶段：你输入一段文字（发出信号），收音机根据当前的旋钮状态调谐，输出最匹配的信号（生成文本）。

二、Agent：从「会聊天」到「能干活」

2.1 LLM 的局限

LLM 本身只是一个文本生成器，有致命缺陷：

没有记忆：每次对话都是新的，上下文窗口之外的东西全忘
无法行动：能告诉你「应该怎么做」，但不能实际去做
不会规划：复杂任务需要拆解成多步，LLM 自己不会拆
知识截止：训练数据有截止日期，不知道最新信息

2.2 Agent 的四大核心模块

Agent（智能体）就是来解决这些问题的。一个完整的 Agent 架构包含四个部分：

复制代码

┌──────────────────────────────────────┐
│              Agent 架构               │
├────────────┬─────────────────────────┤
│  🧠 LLM    │  大脑：理解和生成语言     │
│  🛠️ Tools  │  手脚：调用 API、搜索、代码 │
│  📝 Memory │  记忆：短期 + 长期记忆     │
│  📋 Planner │  规划：拆解任务、制定步骤  │
└────────────┴─────────────────────────┘

Tools（工具）：Agent 可以调用外部工具来获取能力。比如：

搜索引擎（获取最新信息）
计算器（精确计算，不是「猜」）
代码执行器（运行 Python 代码）
API 调用（发邮件、操作数据库）

Memory（记忆）：两种记忆机制：

短期记忆：当前对话的上下文窗口
长期记忆：向量数据库（如 Pinecone、Milvus）存储历史交互，检索相关记忆注入当前对话

Planner（规划）：把复杂任务拆成可执行的子任务。常见策略：

ReAct：思考（Reasoning）→ 行动（Action）→ 观察（Observation）→ 循环
Plan-and-Execute：先制定完整计划，再一步步执行
Tree of Thoughts：同时探索多条路径，选最优解

2.3 一句话总结

Agent = LLM + Tools + Memory + Planner

有了这四个组件，LLM 就能从「聊天机器人」进化成真正能「干活」的 AI 助手。

三、工作流：AI 应用的骨架

3.1 什么是工作流

工作流（Workflow）本质上就是一条 AI 流水线，把多个模型节点、工具节点、逻辑节点串联起来，数据在节点之间流转处理，最终产出结果。

类比工厂流水线：

流水线上每个工位只做一件事（拧螺丝、喷漆、质检）
工件从工位 A → B → C 依次流转
最终产出完整产品

AI 工作流同理：节点 A 生成标题 → 节点 B 写正文 → 节点 C 配图 → 节点 D 审核 → 输出。

3.2 为什么需要工作流

单个 LLM 一把梭的问题：

输出不可控：让模型一口气干太多事，质量波动大
难以调试：出错了不知道卡在哪一步
无法复用：每个场景都要从零写 Prompt

工作流的优势：

分而治之：每个节点职责单一，好优化
可观测：每个节点的输入输出都能看到，方便排查问题
可复用：一个节点可以在多个工作流中重复使用
可并行：独立节点可以并发执行，提高效率

3.3 一个典型的工作流结构

markdown 复制代码

开始节点（接收用户输入）
    │
    ▼
意图识别 → 约束方向（分类：养生 / 健身 / 美食 / 其他）
    │
    ▼
LLM 节点：根据方向生成核心内容（标题 + 导语 + 段落）
    │
    ▼
分支判断：需要配图吗？
    │
    ├── 需要 → LLM 生成绘画提示词 → 生图模型生成图片
    │
    └── 不需要 → 跳过
    │
    ▼
后处理节点：格式校验、敏感词过滤、字数限制
    │
    ▼
输出节点：返回最终结果

四、主流 Agent 搭建平台横评

现在不需要从零手写代码，有成熟的低代码/无代码平台可以直接拖拽搭建 Agent。

4.1 Dify（推荐新手）

开源：可以私有部署，数据不出域
可视化工作流编排：拖拽节点，连线即可
内置 RAG 引擎：支持知识库问答，自动处理文档切分、向量化、检索
丰富的工具插件：搜索、计算、代码执行、图片生成等
适用场景：企业内部知识库问答、内容生成流水线、客服机器人

4.2 Coze（扣子）

字节跳动出品：国内生态好，与飞书、抖音打通
Bot 商店：可以发布和分享自己的 Bot
多模态支持：文字、图片、语音都能处理
丰富的插件市场：天气、新闻、翻译等开箱即用
适用场景：个人助手、社交媒体内容生成、轻量级业务自动化

4.3 FastGPT

专注知识库问答：开源、轻量、部署简单
支持多种 LLM：OpenAI、国产大模型都能接
适用场景：文档问答、FAQ 机器人

4.4 LangChain / LangGraph（最灵活）

Python / JS SDK：代码级框架，灵活度最高
LangGraph：专为 Agent 工作流设计的图计算引擎，支持循环、分支、状态管理
适用场景：复杂业务逻辑、需要高度定制的 Agent 系统

平台	上手难度	灵活度	是否开源	适合场景
Dify	⭐ 低	⭐⭐⭐ 中	✅	企业知识库、内容生成
Coze	⭐ 低	⭐⭐ 中低	❌	个人助手、社交媒体
FastGPT	⭐ 低	⭐⭐ 中低	✅	文档问答
LangChain	⭐⭐⭐ 高	⭐⭐⭐⭐ 高	✅	复杂定制化需求

五、实战拆解：一个养生内容生成 Agent 的 Prompt 工程

课上给出了一个完整案例：根据用户输入，自动生成 6 套健康养生图文内容 。这个案例的价值不在于 Prompt 本身有多长，而在于它的设计结构非常值得拆解。

5.1 角色设定

yaml 复制代码

Role: 健康养生专家
Background: 用户对中医养生理论、食物营养成分、常见疾病的预防和调理感兴趣
Profile: 精通中医养生理论，能提供个性化养生方案
Skills: 熟练运用中医理论、精通养生食品制作
Goals: 帮助用户改善健康状况，预防和调理常见疾病
Constrains: 基于中医理论和食物营养，避免未经科学验证的方法

设计要点分析：

Role 精准定界：「健康养生专家」比「医生」或「营养师」更贴合需求，避免模型在「开药方」和「配食谱」之间摇摆。
Profile 补充背景：告诉模型用户的画像，让它调整语言风格和专业深度。
Constrains 是安全网 ：明确排除未经科学验证的方法。这是 Prompt 工程中非常重要但经常被忽略的一环------告诉模型不能做什么，往往比告诉它要做什么更重要。
Skills 关联能力：Skills 不是装饰，它暗示模型应该调用哪方面的知识------中医理论 + 食品制作，两条知识线并行。

5.2 生成规则

markdown 复制代码

1. 充分理解用户输入的意图
2. 生成主标题（5-10 字）如「煮苹果水」
3. 生成导语（有温度、有吸引力）
4. 生成 3-5 个副标题（序号开头，多样化不重复）
5. 每个副标题包含：食材 + 做法 + 功效 + 建议
6. 为食材生成 AI 绘画提示词（纯白背景、俯视拍摄）

设计要点：

字数限制很关键：标题 5-10 字。不加这个约束，模型可能写出「苹果红枣枸杞养生水------传统中医食疗方法」这种又长又空洞的标题。越具体的约束，输出质量越高。
导语有温度：不是机械的「下面介绍......」，而是有人情味的引导。这是区分「可用内容」和「好内容」的细节。
每个副标题自成闭环：食材 → 做法 → 功效 → 建议，四要素齐全。用户不需要额外查资料，一段内容就是一份完整的攻略。
绘画提示词联动食材 ：食材内容直接驱动图片生成提示词，「纯白背景 + 俯视拍摄 + 食物摄影」保证图片风格统一。这是数据驱动 Prompt 的经典设计模式。

5.3 工作流逻辑

markdown 复制代码

用户输入标题（如：「最近胃不好」）
    │
    ▼
约束方向：养生类
    │
    ▼
LLM 节点：生成主标题 + 导语 + 副标题 + 内容
    │
    ▼
循环节点（3-5 次）：
    ├── LLM：生成单套食材+做法+功效+建议
    └── LLM：生成对应的 AI 绘画提示词
    │
    ▼
生图模型（调用 3-5 次）
    │
    ▼
合并输出：图文内容完整返回

为什么用循环而不是一次生成 5 套？

分开生成的每个副标题质量更稳定。一次生成 5 套，模型容易「偷懒」------后面几套的内容可能跟前几套高度相似。循环 + 独立的上下文，能保证每套内容的差异化和质量。

5.4 Prompt 工程三条铁律

从这个案例中能提炼出三条普适的 Prompt 设计原则：

约束比指令更重要 --- 明确字数、格式、不允许做什么，比泛泛的「写得好一点」有效得多
数据驱动 Prompt --- 让前面生成的内容作为后面 Prompt 的输入，形成链条。食材列表 → 绘画提示词，就是典型
拆解优于包办 --- 复杂任务拆成多个子任务，每个子任务有独立的 Prompt，比一个超长 Prompt 一把梭要好得多

六、总结：三个核心认知

学完这堂课，我认为最重要的不是记住了多少概念，而是建立了三个底层认知：

认知一：LLM 的本质是数学运算

别被「智能」这个词带偏。底层就是向量空间里的矩阵乘法 + 概率分布采样。理解了这一点，你就不会再问「AI 有没有意识」这种哲学问题，而是会问：「这个任务怎么拆解成它能处理的数学问题？」

认知二：Agent 是 LLM 的能力放大器

LLM 单打独斗只能聊天。加上工具（调用外部能力）、记忆（跨对话持久化）、规划（拆解复杂任务），它就能从「动嘴」变成「动手」。Agent 架构是 AI 落地的核心范式。

认知三：工作流设计比单个模型更重要

选什么模型（GPT-4 vs DeepSeek vs Qwen）的差异，远不如工作流设计得好不好的差异大。好的工作流可以让 GPT-3.5 跑出 GPT-4 的效果，烂的工作流可以让 GPT-4 输出小学生水平。 把精力花在任务拆解、节点设计、异常处理上，比纠结用哪个模型更有价值。

七、给你的动手建议

如果你也想入门 Agent 开发，建议按这个路径来：

先在 Dify 或 Coze 上搭一个最简单的 Agent --- 别一上来就写代码，先用可视化工具跑通「输入 → 处理 → 输出」的完整流程，建立感性认知。
从你熟悉的场景开始 --- 比如自动生成日报周报、自动回复客服问题、自动整理会议纪要。解决你自己的痛点，最有动力。
读懂一个开源 Agent 项目 --- 推荐 AutoGPT 或 MetaGPT，看它们的架构是怎么设计的。
把 Prompt 设计当一门手艺来练 --- 多写、多测、多对比。同一个任务，不同 Prompt 的风格和质量差别巨大，这是你的核心竞争力。

本文内容来自一节直播课的学习总结，结合个人理解并查阅了一些学者的文献做了大量扩充。欢迎在评论区交流你的看法和踩坑经历～