LLM 和 Agent 有什么区别？
面试官一般这么问："你们项目里用的是 LLM 直接调用还是 Agent？为什么这么选？"或者"Agent 比 LLM 多了什么？如果让你从零设计一个 Agent，你会怎么做？"
LLM 是什么？
LLM（大语言模型）本质上就是一个****条件概率模型****，给它一段输入 token，它预测下一个 token 最可能是什么。
可以把它当成一个无状态的函数：输入 Prompt，输出文本。每次调用都是独立的，没有记忆，没有状态，对外部世界一无所知。
LLM 的四大核心局限（短板）
这四条，面试的时候一定要能展开说，不能只背关键词：
① 只会说不会做------你问它今天天气怎么样，它能告诉你"你可以去天气 App 查一下"，但它自己不会去查。
② 没有记忆------单次对话依靠上下文窗口承载信息，内容超限就会遗忘；默认状态下不同会话之间信息互不相通。
③ 知识截止------训练数据有截止日期，截至日期后发生的事它不知道。
④ 不会规划------你让它"做一份竞品分析"，它只会线性回答，不会自己拆解成"先搜集资料、再逐个分析、再对比价格"这样的步骤。
Agent 是什么？
一句话：Agent = LLM + 工具 + 记忆 + 规划，形成「感知→规划→行动→反馈→修正」的闭环，在循环中自主完成目标任务。
Agent 主要由四个部分组成：大语言模型相当于它的大脑，用来理解意图、推理判断；规划模块负责拆解任务，步骤排序；记忆模块用来存储短期记忆和长期记忆；工具模块就是它的手脚，可以去调用接口、查数据库、执行代码等，完成实际操作。
一个例子说清楚本质区别
任务 ：帮我查一下明天北京的天气，如果下雨就取消我日历里的跑步计划。
| 角色 | 实际行为 |
|---|---|
| LLM | "您可以打开天气 App 查询北京明天天气，如果降雨概率超过 60% 建议取消户外运动，可以在日历 App 中删除该日程..." |
| Agent | 1. 调用天气 API → 明天北京中雨 2. 调用日历 API → 找到明天7:00跑步计划 3. 调用日历 API → 删除该计划 4. 回复："明天北京有雨，已为您取消跑步计划。" |
LLM 告诉你怎么做，Agent 直接帮你做完。 这就是本质区别。
图1：LLM vs Agent 对比图
面试加分点：Agent 的完整四模块
面试时别只说"Agent 就是 LLM 加工具"，要展开讲这四个模块各自的作用，以及它们怎么在循环中协作。