什么是 LLM Agent？与传统 LLM 应用有何区别？
什么是 LLM Agent？与传统 LLM 应用有何区别？
难度：基础
分类：Agent 架构
简短回答
LLM Agent 是以大语言模型为核心推理引擎、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 LLM 应用（单轮问答、文本生成）最大的区别在于：Agent 是有状态的、目标驱动的、能与外部世界交互的自主系统，而传统 LLM 应用是无状态的、被动响应式的文本处理器。
详细解析
传统 LLM 应用
传统 LLM 应用本质上是一个"高级文本处理器"。用户输入 Prompt，模型返回文本输出，整个交互是单轮、无状态的。典型场景包括：文案生成、文本摘要、翻译、代码补全等。
核心特征：
- 被动响应：完全依赖用户输入，不会主动发起行为
- 无状态：每次调用独立，不保留先前交互的记忆
- 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 LLM 从"文本生成器"升级为"决策引擎"。Agent 接收一个高层目标，然后自主分解任务、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（Autonomy）：定义目标后，Agent 自主决定"如何做"
- 有状态（Stateful）：维护短期记忆（当前任务上下文）和长期记忆（跨会话知识）
- 工具使用（Tool Use）：能调用 API、查询数据库、执行代码、操作文件系统
- 多步推理（Multi-step Reasoning）：通过循环迭代完成复杂任务
- 自适应（Adaptive）：根据中间结果和错误反馈动态调整策略
关键区别对照表
| 维度 | 传统 LLM 应用 | LLM Agent |
|---|---|---|
| 交互模式 | 单轮问答 | 多轮循环（Loop） |
| 状态管理 | 无状态 | 有状态（记忆系统） |
| 外部交互 | 仅文本 I/O | 工具调用、API、数据库 |
| 任务复杂度 | 单步任务 | 多步复合任务 |
| 自主程度 | 被动响应 | 目标驱动的自主执行 |
| 错误处理 | 无 | 自我纠正、重试、回退 |
| 可观测性 | Prompt → Response | Trace（思考→行动→观察循环） |
自主性光谱
AI 系统并非"传统 LLM"或"Agent"的二元分类，而是存在一个自主性光谱：
- Level 0 — 纯 LLM：直接调用模型 API，无任何额外逻辑
- Level 1 — Chain/Pipeline：多个 LLM 调用串联，但流程固定
- Level 2 — Router：根据输入路由到不同的处理分支
- Level 3 — Tool-augmented LLM：LLM 可以调用工具，但流程仍由人控制
- Level 4 — Autonomous Agent：LLM 自主决策、规划、执行，人仅定义目标
- 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。
代码示例
# 传统 LLM 应用：单轮文本生成
from anthropic import Anthropic
client = Anthropic()
response = client.messages.create(
model="claude-sonnet-4-5-20250929",
max_tokens=1024,
messages=[{"role": "user", "content": "总结这篇文章"}]
)
print(response.content[0].text)
# LLM Agent：多步自主执行
# Agent 接收目标 → 规划 → 调用工具 → 观察结果 → 继续或结束
import anthropic
client = anthropic.Anthropic()
tools = [
{
"name": "search_web",
"description": "Search the web for information",
"input_schema": {
"type": "object",
"properties": {"query": {"type": "string"}},
"required": ["query"]
}
}
]
messages = [{"role": "user", "content": "调研 2026 年 AI Agent 市场规模并写一份报告"}]
# Agent Loop: 持续运行直到任务完成
while True:
response = client.messages.create(
model="claude-sonnet-4-5-20250929",
max_tokens=4096,
tools=tools,
messages=messages
)
# 如果模型选择使用工具，执行工具并继续循环
if response.stop_reason == "tool_use":
# 关键：tool_result 必须包装为 content block，且 tool_use_id 与 tool_use 一一对应
tool_results = [
{
"type": "tool_result",
"tool_use_id": block.id,
"content": run_tool(block.name, block.input), # 返回 string
}
for block in response.content
if block.type == "tool_use"
]
messages.append({"role": "assistant", "content": response.content})
messages.append({"role": "user", "content": tool_results})
else:
# 模型认为任务完成，退出循环
print(response.content[0].text)
break常见误区 / 面试追问
误区："有了 Function Calling 就是 Agent" — Function Calling 只是 Agent 的一个能力组件。真正的 Agent 需要自主决策循环（Agent Loop），包括规划、执行、观察、反思的完整闭环。
误区："Agent 比传统 LLM 应用总是更好" — Agent 引入了额外的复杂性、延迟和成本。简单任务用传统 LLM 应用更高效。选择 Agent 的信号是：任务需要多步推理、外部交互、或动态决策。
追问："Agent 调试比传统 LLM 应用难在哪里？" — 传统 LLM 应用失败时只需检查 Prompt。Agent 失败可能源于规划逻辑错误、工具调用失败、记忆损坏、或无限循环，调试需要分析完整的执行 Trace。
追问："如何决定一个任务是否需要 Agent？" — 问自己：这个任务能用单次 LLM 调用完成吗？如果需要多步操作、外部数据获取、或根据中间结果做决策，就考虑用 Agent。