概述
LLM Agent 是通过外部工具、记忆和规划能力增强的 LLM 系统，能够感知环境、推理行动并自主执行任务。它将基础的”增强型 LLM”（Anthropic 的术语）扩展为完整的 Agent 行为，核心由三大组件构成：记忆（Memory）、工具（Tools）、规划（Planning）。
要点
定义
Agent 是”任何能通过传感器感知环境并通过执行器作用于环境的事物”（Russell & Norvig, AI: A Modern Approach, 2016）。LLM Agent 对这一经典框架做了适应性改造：
- 环境 — Agent 交互的世界（软件、API、数据库）
- 传感器 — 输入 LLM 的文本信息
- 执行器 — LLM 可调用的工具（网页搜索、计算器、代码执行）
- 效应器 — LLM 的推理/规划能力，决定采取什么行动
核心组件
- 记忆（Memory） — 包括短期记忆（上下文窗口、对话历史）和长期记忆（向量数据库、RAG、会话持久化）
- 工具（Tools） — 通过 JSON/函数调用触发的外部能力，从计算器到 Web API
- 规划（Planning） — 推理（chain-of-thought）与行动（react-reasoning-and-acting）和反思（reflexion）的结合
工具并非唯一补丁。string-seed-of-thought 展示了另一极：不要外部 PRNG，只靠提示让模型在头脑里用随机串做混合策略采样。Agent 若已有真随机工具，SSoT 的卖点就变弱；它针对的是「只能改 prompt」的设定。
自主性光谱
系统存在于从简单增强（LLM + 单一工具）到完全自主 Agent（多步自修正循环）的光谱上。LLM 对系统行为的决定权越大，系统的”Agent 性”就越强。
开放问题
- 如何平衡自主性与安全性、可控性
- 长时间运行的 Agent 会话中，最优的记忆架构是什么
- 当前 LLM 的”推理”究竟是真正的推理还是结构化的模式匹配
证据时间线
- 2026-08-21: 从 Grootendorst《A Visual Guide to LLM Agents》综合概述创建
- 2026-09-04: 对照 string-seed-of-thought：无工具 in-head 采样 vs Agent 的工具补丁