AI 含量说明
本文由 AI (Claude) 辅助生成，内容经过人工审核与编辑。部分描述可能存在简化表述，请读者结合实际使用体验参考。
LLM Agent 简介
本文概览
- 🎯 目标读者: 对 Agent 概念感兴趣的入门者
- ⏱️ 阅读时间: 约 10 分钟
- 📚 知识要点: Agent 定义、与普通 LLM 的区别、Function Call 机制、核心架构、主流模式
从一个问题说起
你一定用过 ChatGPT 或 Claude 这样的大语言模型（LLM）：你问一个问题，它回答你，结束。
但如果你让它"帮我调研最近三个月关于 xxx 的论文，整理成表格"呢？单次对话显然不够——它需要 搜索、阅读、筛选、整理，一步步地完成任务。
这就是 Agent 要解决的问题。
Agent 与普通 LLM 调用的区别
一句话概括：LLM 只是大脑，Agent 是一个有手有脚的人。
LLM 再聪明，它只能"想"和"说"——你问它怎么分析数据，它能给你一份方案，但它没法真的去执行。Agent 则可以在思考之后 动手做：搜索网页、读写文件、运行代码、调用 API。大脑加上手脚，才是一个能干活的人。
| 维度 | LLM（大脑） | Agent（完整的人） |
|---|---|---|
| 能力 | 只能思考和生成文本 | 能思考，也能动手操作 |
| 工具 | 无 | 搜索、代码执行、API 调用等 |
| 决策权 | 用户决定每一步 | 自主决定下一步做什么 |
| 执行方式 | 一问一答 | 自主循环，直到任务完成 |
Anthropic 在其 官方文档 中给出了一个关键区分：
- 工作流（Workflow）：LLM 按预定义的固定路径执行——你写好了剧本，它只是演
- Agent：LLM 动态自主决定 自己的执行路径——你给它目标，它自己写剧本并演出来
Agent 的核心架构
不管多复杂的 Agent，本质上都是一个 循环：
拆开来看就三件事：
- 感知：获取当前环境信息（读文件、搜索网页、查数据库……）
- 推理：基于已有信息决定下一步做什么
- 行动：调用工具执行具体操作（写代码、调 API、生成文本……）
这个循环不断重复，直到任务完成。其中，工具调用是 Agent 区别于普通 LLM 的关键能力。没有工具，LLM 只能"想"；有了工具，Agent 才能"做"。
类比理解
把 Agent 想象成一个实习生：你给他一个任务，他会自己查资料（感知）、想方案（推理）、动手做（行动），做完一步看看效果，再决定下一步。而普通 LLM 更像一个只能口头回答问题的顾问。
Function Call：让 Agent 真正"动手"的关键
上面我们说 Agent 能"动手做"，但具体怎么做呢？答案就是 Function Call（函数调用）——大模型与外部世界交互的标准协议。
在 Function Call 出现之前，大模型只能生成文本。有了它，模型在推理过程中发现信息不够或需要执行操作时，可以主动发出请求："我需要调用这个工具，参数如下，请帮我执行并返回结果。"
类比：你和你的私人管家
想象你雇佣了一位数字管家：
- 你："我饿了，帮我点一份附近评分最高的披萨。"
- 管家（LLM 大脑）：
- 思考：我需要定位用户坐标，并搜索周边的披萨店。
- 决策：调用
search_nearby_restaurants工具。
- 系统（执行层）：执行搜索，反馈一份餐厅列表及评分。
- 管家（LLM 大脑）：
- 思考：分析列表，发现"披萨大王"评分 4.9，最高。
- 决策：调用
place_order工具，指定餐厅和单品。
- 系统（执行层）：下单成功，返回订单编号。
- 管家："已为您订购了'披萨大王'的招牌披萨，订单号 9527，预计 30 分钟送达。"
在这个闭环中，LLM 负责逻辑决策（分析意图、选择工具），而底层代码负责物理执行。
一个更技术的例子
下面这个序列图展示了 Function Call 在一次简单查天气任务中的完整流程：
Function Call 为什么重要？
Prompt Engineering 解决的是"怎么让模型说得更好"，Function Call 解决的是"让模型能动手做事"。它把模型的能力边界从文本生成扩展到了实际操作：
- 通过搜索工具获取实时信息
- 通过数据库接口读取内部数据
- 发送邮件、操作日程，甚至控制实验室设备
当模型能在合适的时机调用合适的工具，它就从聊天窗口变成了能闭环解决问题的 Agent。
三种主流 Agent 模式
1. ReAct：边想边做
ReAct（Reasoning + Acting）是最经典的 Agent 模式，核心思想很简单：
想一步 → 做一步 → 看结果 → 再想下一步
思考: 用户要找关于 X 的论文，我先搜索一下
行动: 调用搜索工具，查询 "X recent papers"
观察: 找到了 15 篇相关论文
思考: 结果太多，我筛选最近 3 个月的
行动: 过滤日期……2
3
4
5
优点：灵活、可解释——你能看到它每一步在"想什么"。
缺点：每一步都要调用 LLM 推理，速度慢、成本高。
2. Plan-and-Execute：先规划再执行
与 ReAct 的"走一步看一步"不同，这个模式是先制定完整计划，再逐步执行：
优点：执行效率高，子步骤可以用更小的模型完成。
缺点：计划一旦制定，遇到意外情况不太好调整。
3. 混合模式：实践中最常用
现实中的 Agent 通常混合使用多种模式。Anthropic 总结了五种常见的实用模式：
| 模式 | 一句话说明 |
|---|---|
| 提示链 | 固定步骤序列，A → B → C |
| 路由 | 先分类输入，再导向不同处理流程 |
| 并行化 | 多个 LLM 同时工作，汇总结果 |
| 编排-工作者 | 一个"经理"动态分配任务给多个"员工" |
| 评估-优化 | 一个生成，一个评判，循环改进 |
Anthropic 的核心建议
从最简单的方案开始，只在必要时增加复杂度。很多场景下甚至不需要构建 Agent 系统——一个好的 Prompt 可能就够了。
Agent 在学术研究中能做什么？
回到学术研究场景。Agent 的能力适合研究中常见的多步骤、多工具任务：
- 文献调研：自主搜索、筛选、整理论文，生成综述表格
- 数据分析：读取数据、选择合适的统计方法、执行分析、生成可视化
- 代码实现：根据算法描述编写代码、调试、运行实验
- 论文写作：辅助组织结构、润色语言、检查引用格式
Coding Agent（如 Claude Code、OpenCode、Cursor 等）是目前落地最好的 Agent 类型之一。很多人（包括作者本人）认为 Coding Agent 本质上就是通用 Agent，这也是本博客重点关注的方向。
总结
三个要点带走：
- Agent = LLM + 工具 + 自主循环，能动态决定执行路径
- Function Call 是连接模型与外部世界的桥梁——让模型从"只能说"变成"能动手"
- 不要过度设计——从简单方案开始，按需增加复杂度