从 LLM 到 Agent：一文彻底搞懂什么是 AI Agent

本文是「Agent 基本概念」系列第一篇，本系列将带你了解agen的基本概念。

系列规划：① 什么是 AI Agent → ② 核心组件 → ③ 决策与规划 → ④ 记忆与工具 → ⑤ 架构与落地。

前言：你有了 ChatGPT，为什么还想要一个 Agent？

过去几年，大模型（LLM）彻底改变了我们与软件交互的方式。

你问它问题，它给你答案；你让它写代码，它给你代码；你让它总结文章，它给你摘要。

但你会发现一个尴尬的事实：

它很会说，但不会做。

在没有工具接入的情况下，它不能直接帮你查今天的航班，不能帮你把代码提交到 Git，不能帮你打开浏览器填表单，不能根据中间结果自动调整策略。

你只能：

自己把问题拆成步骤；
自己复制粘贴到不同工具；
自己判断下一步做什么；
自己把结果拼起来。

你成了那个"人肉 Agent"。

于是，AI Agent 出现了。

它的目标不是让模型"更会聊天"，而是让模型能感知环境、在给定权限和约束下自主决策、调用工具、执行动作，并根据反馈持续迭代，最终完成一个目标。

这篇文章会沿着一条主线讲清楚：

从"生成"到"行动"，LLM 如何进化成 Agent。

我们会层层递进：先看 LLM 的能力边界，再看 Agent 的定义，然后拆解核心公式，对比常见概念，最后用一个完整例子把逻辑串起来。

一、LLM 的能力边界：会生成，不会行动

要理解 Agent，必须先理解 LLM 到底能做什么、不能做什么。

1.1 LLM 的本质：一个条件概率生成器

从建模角度看，自回归语言模型的核心目标可以抽象为：

P(tokent∣token1,token2,...,tokent−1)P(tokent∣token1,token2,...,tokent−1)

给定前面的 token，预测下一个 token。

它擅长的是：

语言理解与生成
知识问答
代码生成
推理（在某种程度上）
多轮对话

但它有几个根本限制：

限制	说明
模型本身无状态	模型本身不保存对话状态；对话状态由应用层通过上下文窗口、外部记忆等管理。默认不会跨会话记住信息。
无直接行动能力	不能直接操作外部世界，不能发 HTTP 请求、读文件、点按钮；需要外部工具或运行时代执行。
无实时信息	知识有截止时间，无法知道今天的天气、股价、航班，除非接入搜索或实时数据。
无长期记忆	不能持续积累用户偏好、任务历史，除非外部记忆系统支持。
无运行时反馈闭环	生成完就结束，不能根据执行结果自动修正，除非外部编排循环。
容易幻觉	会一本正经地胡说八道。

所以，LLM 是一个强大的推理与生成引擎，但它不是一个完整的系统。

1.2 把 LLM 包一层，就能变成 Agent 吗？

很多人第一反应是：

"那我给它加个搜索 API，不就能查实时信息了吗？"

没错，这是第一步。

但仅仅加一个工具调用，还远远不够。

因为真实任务往往需要：

多步决策：先查航班，再比价，再选座，再支付；
状态管理：记住用户偏好、当前进度、已选航班；
异常处理：航班售罄怎么办？支付失败怎么办？
动态规划：根据中间结果决定下一步。

这些不是一次函数调用能解决的。

你需要一个循环，一个能持续观察、思考、行动的系统。

这就是 Agent。

二、从"对话"到"做事"：Agent 的定义

2.1 一句话定义

Agent 是一个能感知环境、在给定权限和约束下自主决策、调用工具、执行动作，并根据反馈迭代以达成目标的系统。

注意几个关键词：

感知：接收用户输入、API 返回、文件内容、网页状态；
自主决策：在权限和约束内，自己决定下一步做什么，而不是人预先写死；
调用工具：使用外部能力扩展自身边界；
执行动作：真正改变环境或产出结果；
反馈迭代：根据结果调整策略，直到完成或失败。

2.2 核心公式

我习惯用一个公式来概括：

Agent = LLM（或策略）+ 规划 + 记忆 + 工具 + 执行循环

这个公式是本文的主线。

后面我们会逐项拆解，但先记住：

LLM（或策略） ：大脑，负责推理和决策；
规划：把大目标拆成小步骤；
记忆：保存上下文、状态、经验；
工具：与外部世界交互的手脚；
执行循环：观察 → 思考 → 行动 → 观察 → ... → 完成。

缺少任何一项，Agent 的能力都会大打折扣。

2.3 一个更直观的循环图

这个循环，就是 Agent 的心跳。

三、逐项拆解：Agent 的五个核心部件

3.1 LLM（或策略）：Agent 的大脑

LLM 是 Agent 的推理核心。

它负责：

理解用户意图；
分析当前状态；
决定下一步动作；
生成工具调用参数；
总结结果并输出。

但 LLM 不是唯一策略。

在传统强化学习中，策略可以是一个神经网络；在简单规则系统中，策略可以是 if-else。

但在现代 AI Agent 语境下，LLM 通常扮演策略网络 + 推理引擎的双重角色。

3.2 规划：把"大目标"拆成"小步骤"

规划解决的是：

"我要完成 X，应该先做什么，再做什么？"

常见规划方式：

任务分解：把"订机票"拆成"查日期 → 搜航班 → 比价 → 选座 → 支付"；
优先级排序：先查天气再决定带不带伞；
路径选择：如果 A 方案失败，走 B 方案；
反思与重规划：执行后发现不对，重新调整。

没有规划，Agent 就会像无头苍蝇，每一步都从零开始。

3.3 记忆：让 Agent 不再"金鱼脑"

记忆分三层：

类型	作用	例子
短期记忆	当前对话上下文	用户刚说的"不要转机"
工作记忆	当前任务状态	已选航班、支付进度
长期记忆	跨会话知识与偏好	用户常坐靠窗、喜欢早班机

记忆的操作包括：写入、检索、压缩、更新、遗忘。

没有记忆，Agent 每次都要重新问一遍用户，体验极差。

3.4 工具：Agent 的手脚

工具是 Agent 与外部世界交互的接口。

常见工具类型：

Function Calling：调用预定义函数；
HTTP API：访问外部服务；
浏览器：打开网页、点击、填表单；
代码解释器：执行 Python、计算、绘图；
数据库：查询、写入；
文件系统：读写文件；
通过 MCP 接入外部工具：MCP（Model Context Protocol）是标准化模型与工具/上下文连接的协议。

工具让 Agent 从"会说"变成"会做"。

3.5 执行循环：Agent 的心跳

执行循环是 Agent 最核心的运行时结构。

一个典型的循环：

观察：读取当前状态（用户输入、工具返回、环境变化）；
思考：LLM 推理下一步；
行动：调用工具或输出内容；
观察：获取行动结果；
判断：是否完成？未完成则回到第 1 步或第 2 步。

这个循环可以运行一次，也可以运行几十次。

Agent 的自主性，就体现在这个循环能自己转起来。

四、Agent 与普通程序、工作流、LLM 的区别

很多人容易混淆这几个概念。我们用一张表说清楚：

维度	普通程序	工作流	LLM	Agent
控制流	人写死	人预先编排	无自主控制流	在约束下自主决策
输入	可固定也可动态	固定/半固定	自然语言/多模态	自然语言 + 环境
输出	固定或按逻辑产出	固定/半固定	文本/多模态	动作 + 文本/多模态
工具使用	硬编码	节点调用	可生成工具调用请求，但不执行	动态选择并调用（由运行时执行）
记忆	变量/数据库	有限状态	上下文窗口	短期 + 长期
异常处理	异常捕获	有限分支	无运行时异常捕获，依赖外部编排	反思重试
适用场景	确定性任务	流程明确任务	生成/问答	不确定环境任务

关键区别：

工作流：步骤是人定的，Agent 只是执行者；
Agent：步骤是 Agent 自己定的，人只给目标。

所以，Agent 不是"更复杂的工作流"，而是把决策权交给模型的系统。

五、一个完整例子：订机票 Agent

假设用户说：

"帮我订一张明天去北京的最早航班，要靠窗。"

一个完整的 Agent 会怎么做？

5.1 感知

解析用户意图：目的地北京、时间明天、偏好最早、靠窗。
检查记忆：用户是否存过身份证、常旅客号？

5.2 规划

步骤 1：获取明天日期；
步骤 2：搜索明天飞北京的航班；
步骤 3：按起飞时间排序，选最早；
步骤 4：检查靠窗座位；
步骤 5：确认价格和退改签政策；
步骤 6：调用订票 API；
步骤 7：返回订单号。

5.3 行动与循环

调用日历工具，得到明天日期；
调用航班搜索 API，返回 10 个航班；
调用排序工具，选出最早 3 个；
发现最早航班没有靠窗座位；
此时出现偏好冲突：最早 vs 靠窗；
Agent 反思：是换下一个有靠窗的航班，还是问用户是否接受非靠窗？
根据策略，决定询问用户。

Agent：

最早航班 XX 没有靠窗座位。您是要"最早优先，接受非靠窗"，还是"靠窗优先，选下一个有靠窗的航班"？

用户：

最早优先，接受非靠窗。

Agent：

继续调用订票 API；
完成支付；
返回订单号。

5.4 这个例子体现了什么？

自主决策：没有靠窗时，Agent 自己决定询问用户；
工具调用：日历、搜索、排序、订票 API；
记忆：用户偏好、身份证信息；
循环：多次观察-思考-行动；
反馈：根据 API 返回调整策略。

这就是 Agent 和"一次 LLM 调用"的本质区别。

六、常见误解：Agent 不是万能聊天机器人

误解 1：Agent 就是更聪明的 ChatGPT

不对。

ChatGPT 是对话界面，Agent 是执行系统。

Agent 可能用 ChatGPT 作为大脑，但还需要工具、记忆、循环。

误解 2：Agent 一定要多智能体

不对。

单 Agent 也能完成很多任务。多智能体是架构选择，不是必要条件。

误解 3：Agent 越自主越好

不对。

自主性越高，风险越大。

订机票可以自主，转账付款必须人工确认。

权限最小化、关键动作人工确认，是落地铁律。

误解 4：Agent 会取代工作流

不对。

确定性任务用工作流更稳、更便宜。

Agent 适合不确定环境、需要动态决策 的任务。

很多时候，最佳方案是 工作流 + Agent 节点。

七、总结：Agent 的本质是"在不确定环境中持续决策并执行"

回到主线：

LLM 解决了"生成"，Agent 解决了"行动"。

Agent 的核心公式：

Agent = LLM（或策略）+ 规划 + 记忆 + 工具 + 执行循环

它不是一个更花哨的聊天机器人，而是一个能感知、会思考、能行动、可迭代的系统。

如果你要构建 Agent，记住三句话：

从工作流开始，逐步增加自主性。
先做可观测性，再做自动化。
能不用多智能体，就不用多智能体。

下一篇，我们会深入拆解 Agent 的核心组件：感知、规划、记忆、工具、行动、循环，看看每个部分如何设计，以及常见的工程坑。

本文是「Agent 基本概念」系列第 1 篇。

如果你觉得有帮助，欢迎点赞、收藏、关注。