从 LLM 到 Agent：什么是智能体

看懂智能体的本质——一个会在循环里自己调工具、自己决定下一步的 LLM。

为什么只记结论不足以掌握从 LLM 到 Agent：什么是智能体

学习“从 LLM 到 Agent：什么是智能体”时，第一步不是记住结论，而是冻结输入、上下文、版本和成功标准。只有这些条件明确，从 LLM 到 Agent：什么是智能体的含义才不会随着样例变化。正文已有的概念说明要与结构图、运行轨迹和失败样本互相印证，不能只凭最终输出看似正确就宣布完成。

结构分析从先打个比方开始：列出参与者、职责、连接方向、生命周期和所有权，再沿正常路径追踪数据或控制流。每一条边都要说明为什么存在、谁创建、谁消费、谁负责清理；如果边界被跨越，必须能在证据中找到第一处异常。

机制验证要把第一个概念：裸 LLM 是个「只会背书的实习生」写成可以执行的条件。正常样本证明主路径，恰好边界样本验证等号和空值，单故障样本只破坏一个假设。三类样本使用同一份观察指标，避免因为测试口径变化而把偶然结果误认成规律。

成本分析同时记录时间、空间、延迟、耦合、可维护性和不可逆操作。第二个概念：智能体 = LLM 大脑 + 四件外挂不是一句“可能失败”，而是可复现输入、预期停点、实际轨迹、错误分类与清理步骤。任何自动重试都要有次数、预算和幂等边界。

方案比较不能只列优点。需要给出直接实现、当前方案和至少一个替代方案，逐项比较复杂度、扩展点、故障隔离和团队认知成本。当问题规模很小或变化轴稳定时，更简单的实现往往更好；模式与框架必须由真实变化压力证明。

实现阶段把大结论拆成可检查的中间产物：配置快照、结构清单、状态转移、输入输出样本、日志摘要和测试结果。每个产物带来源与生成命令，下一阶段只消费已通过门禁的版本，避免旧缓存或隐式默认值污染结论。

解释结果时必须区分相关性与因果性、接口承诺与实现细节、设计意图与运行事实。对“第三个概念：智能体 vs 工作流 vs 聊天机器人”的判断要由独立证据支持，并明确适用范围；一旦输入分布、版本、硬件或组织边界改变，就重新运行最小实验。

复盘从首个分叉开始，而不是从最后一个报错倒推。先比较冻结输入，再比较第一份结构化中间产物，随后检查状态、约束和副作用。这样可以把复杂系统的排错范围收缩到一个阶段，避免在多个层次同时修改造成新的不确定性。

迁移到真实项目时，先选择一个最小但有代表性的切片，保存改造前基线，再逐步引入“从 LLM 到 Agent：什么是智能体”中的机制。每一步只改变一个变量并保留回滚点；性能、正确性、安全性和可理解性至少各有一项可量化指标。

最终验收要求读者能脱离页面重新画出结构、口述关键链路、实现最小版本、构造一个反例并解释失败位置。若只能复述名词而不能预测中间状态，说明知识仍停留在识记层，需要回到图示和实验重新验证。

本页用、

、、、建立统一坐标。先预测这些概念在结构图和运行轨迹中的位置，再操作实验控件；如果结果与预测不一致，停止在首个分叉，不要用后续补丁掩盖早期错误。

权威目录与核心概念逐项对照

从 LLM 到 Agent：什么是智能体
先打个比方
第一个概念：裸 LLM 是个「只会背书的实习生」
第二个概念：智能体 = LLM 大脑 + 四件外挂
第三个概念：智能体 vs 工作流 vs 聊天机器人
第四个概念：自主性是一根可调的旋钮
动手看：一圈智能体循环长什么样
用代码看循环的骨架

可复现的最小实现

先把决策记录写成机器可读结构：

{
  "unit": "从 LLM 到 Agent：什么是智能体",
  "inputFrozen": true,
  "scenario": "normal | boundary | single-fault",
  "firstDivergence": null,
  "cleanupRequired": true
}

再用同一条执行链处理三类样本：

type Evidence = { stage: string; expected: string; actual: string };
 
function verify(sample: unknown, expected: readonly Evidence[]) {
  const trace = runFromCleanState(sample);
  return expected.find((item, index) => trace[index]?.actual !== item.expected);
}

最后保存回归门禁，禁止失败样本静默通过：

normal      -> complete, invariant preserved
boundary    -> complete or explicit rejection
singleFault -> stop at first divergence, no stale output

用统一评分解释实验结果：

Q = C_{correct} + C_{trace} + C_{recover} - R_{residual}

C_{coverage} = \frac{N_{verified}}{N_{official}}

R_{residual} = P(failure) \times I(impact)

Accept = (C_{coverage} \ge 0.90) \land (R_{residual} \le R_{budget})

本章回顾

从 LLM 到 Agent：什么是智能体必须绑定冻结输入和明确成功标准。
先打个比方必须能画成结构并沿边追踪责任。
第一个概念：裸 LLM 是个「只会背书的实习生」要由正常、边界和单故障样本共同验证。
第二个概念：智能体 = LLM 大脑 + 四件外挂必须保存第一处偏离和清理重建步骤。
第三个概念：智能体 vs 工作流 vs 聊天机器人决定方案是否可以进入下一阶段。

术语表

小结

裸 LLM 只会预测下一个词，天生不能行动、没记忆、不知新事
智能体 = LLM 大脑 + 四件外挂：工具（能动手）、记忆（记上下文）、指令（系统提示）、循环（反复想—做—看）
三个近亲的区别：聊天机器人单轮问答、工作流路径写死、智能体在循环里自己决定下一步
智能体循环是灵魂：在「思考→行动→观察」里转圈，由 LLM 自己决定何时调工具、何时结束
自主性是可调旋钮，不是越大越好；固定任务用代码 / 工作流，开放任务才上自主 Agent