第10章：从 Prompt 到 Agent——AI 能力跃迁的分水岭

Tue, 16 Jun 2026 00:00:00 +0000

第10章：从 Prompt 到 Agent——AI 能力跃迁的分水岭

系列导读：本章是 Agent 模块的开篇。建议先看第1-5章建立 LLM 和工具调用的基础认知，再进入 Agent 的学习。

一、为什么说 Prompt 和 Agent 之间有一道鸿沟？

Prompt 时代：你给模型一个指令，模型给你一个回答。对话结束。

Agent 时代：你给模型一个目标，模型决定需要什么信息，去搜索、执行、验证，最终给你一个完整的解决方案。

这个分水岭就是：自主性（Autonomy）。

能力	Prompt	Agent
理解任务	被动接收指令	主动解析目标
工具调用	没有	自主决定用什么工具
多步执行	没有	可执行多步操作链
状态保持	无（每次独立）	有（记忆系统）
结果验证	没有	自检查/自修正
闭环能力	开环（输出即结束）	闭环（输出→行动→反馈→再决策）

二、理解 Agent：不是「加了工具的 LLM」

最常被误解的概念：Agent 不是"给 LLM 加了几个 Function Calling"。

真正的 Agent 有三个核心特征：

1. 自主决策

模型自己判断「下一步该做什么」，不是人类在每个节点发指令。

2. 行动-感知-调整闭环

模型执行一个行动（如搜索），收到结果，然后根据结果调整下一步的计划。

3. 状态管理

在多步执行过程中，模型知道自己之前做了什么、当前进展到哪一步。这不是简单的对话历史，而是结构化的任务状态。

三、Agent 与三个易混淆概念的区别

Tools：最小的能力积木

一个封装好的可调用函数
只负责执行，自己不做任何决策
如：搜索 API、发邮件 API、查询数据库

Agent：完整的决策系统

内部用 LLM 做大脑
自己判断「要不要调工具」「调哪个工具」「什么时候结束"
是主动的执行者

Workflow：确定性流程编排

开发者事先写好所有节点和流转逻辑
什么时候调什么工具、走什么分支，都是代码写死的
LLM 只负责某个节点的执行，不负责流程决策

核心区分维度：谁来做"下一步该干什么"这个决策？

Tools：不做决策，只执行
Agent：自己决策
Workflow：开发者替所有节点决策

四、为什么说 Agent 是 LLM 进化的必然？

你问 LLM：“帮我规划一个去三亚旅游的7天行程。”

如果没有工具：LLM 只能根据训练数据给出建议，信息可能已经过时，也无法查实时机票和酒店价格。

有了工具但没 Agent：你可以手动把多个工具的调用写好，串成一个流程。但问题是：不同的输入可能需要不同的流程。

有了 Agent：把目标交给它，它自己决定要不要查天气、查酒店、查景点，把所有信息汇总后再出方案，而且每个步骤都会有实时数据。

Agent 让 LLM 从一个「有知识的回答者」变成了一个「能行动的智能体」。

五、Agent 基础工作模式

最基础的 Agent 循环：

            ┌───────────────────┐
            │   用户输入目标     │
            └─────────┬─────────┘
                      ↓
     ┌─────────────────────────────────┐
     │  LLM 分析目标，判断需要什么信息   │
     └─────────────────┬───────────────┘
                       ↓
     ┌─────────────────────────────────┐
     │  LLM 决定调用哪个工具，输出参数   │
     └─────────────────┬───────────────┘
                       ↓
     ┌─────────────────────────────────┐
     │  代码执行工具，获取结果          │
     └─────────────────┬───────────────┘
                       ↓
     ┌─────────────────────────────────┐
     │  结果反馈给 LLM                  │
     └─────────────────┬───────────────┘
                       ↓
     ┌─────────────────────────────────┐
     │  LLM 判断是否完成任务：           │
     │  → 未完成，继续循环              │
     │  → 完成，输出最终答案            │
     └─────────────────────────────────┘

这个循环跑几次（迭代次数取决于任务复杂度），最后输出综合答案。

六、从 Prompt 到 Agent 的思维转变

作为开发者，你需要从「写 prompt 让模型回答」转变为「设计一个系统让模型自主决策」。

核心设计要素：

System Prompt：给模型设定 “你是谁、你能做什么、你的工具是什么”
Tool Schema：精确定义工具的使用方式
Memory 设计：管理中间状态和历史 context
终止条件：什么时候算完成了？
错误处理：工具调用失败怎么办？模型决策跑偏怎么办？

七、本章小结

Agent 的质变在于"自主决策"和"行动-感知-调整闭环"
Tools、Agent、Workflow 是三层不同粒度的概念，不是替代关系
Agent 让 LLM 从"回答者"升级为"行动者"
开发 Agent 需要设计思维转变：从"写 prompt"到"设计自主系统"

思考题

一个天气预报查询任务，用纯 prompt、用 workflow、用 agent，三种方案各有什么优劣？
Agent 的"自主决策"在哪些场景下是优势，在哪些场景下是风险？如何平衡自主性和可控性？

AI Agent on SelfTechHub

第10章：从 Prompt 到 Agent——AI 能力跃迁的分水岭

第10章：从 Prompt 到 Agent——AI 能力跃迁的分水岭

一、为什么说 Prompt 和 Agent 之间有一道鸿沟？

二、理解 Agent：不是「加了工具的 LLM」

1. 自主决策

2. 行动-感知-调整闭环

3. 状态管理

三、Agent 与三个易混淆概念的区别

Tools：最小的能力积木

Agent：完整的决策系统

Workflow：确定性流程编排

四、为什么说 Agent 是 LLM 进化的必然？

五、Agent 基础工作模式

六、从 Prompt 到 Agent 的思维转变

七、本章小结

思考题