简要

---

LLM Agent 以大语言模型作为核心推理引擎，能够自主感知环境、制定计划、调用工具并执行多步任务的智能系统。与传统的LLM大语言模型的最大差别在于：Agent能够与外界进行交互，有状态，以目标为驱动的自助系统，而传统的LLM只能被动响应，一问一答，无状态的的文本处理器。

详细解析

---

传统的LLM应用

传统LLM的本质就是一个“高级别的文本处理器”。用用户输入Prompt，模型返回文本的输出，整个交互规程完全的被动式的，无状态。例如：代码补全，外语翻译等

核心特征：

• 被动响应：完全依赖于用户的输入，不会自主发起行动
• 无状态：每次调用是单独独立，不保留先前的交互记忆
• 纯文本：输入输出都是文本，无法直接操作外部系统
• 单步完成：一次调用生成最终结果，没有多步推理过程

LLM Agent

LLM Agent将传统的LLM升级为决策引擎。Agent接收一个高层目标后，进行任务的自主分解、选择工具、执行操作、根据反馈调整策略，直到目标完成。

核心特征：

• 自主性：定义目标后，Agent自主决定“如何做”
• 有状态：具有短期记忆（窗口上下文）和长期记忆（跨会话知识）
• 工具使用：自主调用API、查询数据库、执行代码、操作文件系统
• 多步推理：通过循环迭代的方式，完成负责任务
• 自适应：根据中间结果和错误反馈动态调整策略

自主性光谱

AI系统并非是非LLM和Agent的二元分类，而是存在一个自主性光谱：

1. Level 0 — 纯 LLM：直接调用模型 API，无任何额外逻辑
2. Level 1 — Chain/Pipeline：多个 LLM 调用串联，但流程固定
3. Level 2 — Router：根据输入路由到不同的处理分支
4. Level 3 — Tool-augmented LLM：LLM 可以调用工具，但流程仍由人控制
5. Level 4 — Autonomous Agent：LLM 自主决策、规划、执行，人仅定义目标
6. Level 5 — Multi-Agent System：多个自主 Agent 协作完成复杂任务

大多数实际生产应用处于 Level 2-4 之间。