什么是 LLM Agent?与传统 LLM 应用有何区别?
题目
什么是 LLM Agent?与传统 LLM 应用有何区别?
参考答案
点击展开参考答案
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。
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。