Agent 的逻辑：从"会聊天"到"会干活"差了哪几层

读之前建议先懂： LLM 是如何思考的？一切从"预测下一个词"开始、提示词的逻辑：为什么"怎么说"比"问什么"更能决定答案质量

当前判断

1. 区别在”输出能否变成动作”——模型决策，系统执行。
2. 错误会滚雪球：第 2 步的幻觉会成为第 5 步的”事实”。
3. 三个真实瓶颈：工具质量、上下文管理、验证闭环。

一句话结论

Agent = LLM + 工具调用 + 循环：模型不再直接吐答案，而是”思考 → 调用工具 → 看结果 → 再思考”，直到把任务干完。聊天是给答案，Agent 是给结果。

逻辑链

普通对话：一次预测就结束 → Agent 把预测结果变成”动作指令”（搜索/写文件/调 API）→ 系统执行动作，把结果喂回上下文 → 模型基于新信息继续预测 → 循环直至任务完成 → 这就是 ReAct（推理+行动交替）的基本形态（Shunyu Yao, Jeffrey Zhao, Dian Yu, et al., ReAct: Synergizing Reasoning and Acting in Language Models, ICLR 2023）

展开

1. 差异就在”输出能否变成动作”

普通对话输出 Token 给人看；Agent 的输出是结构化的工具调用请求（工具名 + 参数），由外层系统真正执行。模型负责决策”调什么”，系统负责”执行什么”——权责分离。

2. 循环带来的能力与风险

能力：多步任务（查资料→整理→写报告→存文件）可以自主串联，人只给目标不给步骤。 风险：错误会滚雪球——第 2 步的幻觉会成为第 5 步的”事实”。所以成熟 Agent 系统都有护栏：步数上限、费用上限、关键动作人工确认。

3. Agent 质量的三个真实瓶颈

1. 工具质量：模型再强，工具描述写得烂它也用不对（工具的”说明书”就是给模型的提示词，见 03-提示词的逻辑）
2. 上下文管理：多步循环会迅速吃满窗口（见 02-上下文窗口），需要主动总结/丢弃策略
3. 验证闭环：没有”检查自己成果”手段的 Agent，产出不可信

决策规则

常见误区

• ❌ “Agent = 更聪明的聊天机器人” —— 本质区别是行动力与循环；不接工具的”Agent”只是角色扮演
• ❌ “全自动最好” —— 目前最稳的形态是”人机混合”：AI 干活、人卡关键节点
• ❌ “Agent 能力只取决于模型” —— 工具生态与接口标准（如 08-MCP）至少占一半

现在就能做的事

• 体验一个真 Agent：任一 AI 编程工具（Claude Code / Cursor 等）里给一个多步任务，观察它的”思考→执行→修正”循环
• 设计你自己的第一个 Agent 任务：把”每周整理热点→写早报→存档”拆成工具序列——这正是本项目 TrendRadar 管线的思路

相关页面

• 03-提示词的逻辑 — Agent 的系统提示与工具描述都是提示词工程
• 02-上下文窗口 — 循环是上下文的头号杀手
• 08-MCP — 工具接入的标准化革命
• 09-token与计费逻辑 — Agent 循环会成倍放大 Token 费用

出处与置信度

延伸阅读：Anthropic, Building Effective Agents（工程博客，发布前建议实地访问补链接）。