LLM 为什么不够：从聊天到行动
你大概已经习惯了这样的工作方式：遇到问题 → 打开 ChatGPT → 输入提示词 → 得到回答 → 复制粘贴到某处。
这个流程有一个根本性的问题——LLM 只会"说"，不会"做"。
你问它"帮我查一下明天的天气"，它能告诉你怎么查，但不会帮你查。你让它"把这个 CSV 转成 JSON 并写入数据库"，它只能给你一段代码，剩下的执行、调试、错误处理全靠你自己。
这就是 LLM 的边界：一个极其博学但没有手脚的大脑。
AI Agent 要解决的正是这个问题。如果 LLM 是大脑，Agent 就是给这个大脑装上了眼睛（感知环境）、手（使用工具）、记事本（记忆上下文）和日程表（规划步骤）。
一个经典的例子：
你对 Agent 说："帮我找出项目里所有未使用的依赖并清理掉。"
Agent 会自动：读取 package.json → 逐个分析引用 → 找出未使用的包 → 执行卸载 → 验证项目仍能正常构建。
全程不需要你介入。这就是 Agent 的核心价值——从"回答问题"到"完成任务"。
Agent 四大核心组件拆解
学术界和工业界对 Agent 的定义各有不同，但几乎所有 Agent 系统都围绕四个核心组件构建：
1. 感知（Perception）
Agent 需要理解当前的环境和任务。感知的输入可以是：
- 用户的自然语言指令
- 系统的状态信息（如文件内容、数据库状态）
- 外部事件（如 webhook 触发、定时任务）
在 Claude Code 中，感知就是它读取你的项目文件、理解你的需求描述、观察终端输出的能力。
2. 规划（Planning）
拿到任务后，Agent 需要把它拆解成可执行的步骤。这就是规划。
一个复杂的任务比如"重构认证模块"，Agent 可能会规划出这样的步骤：
- 分析现有认证模块的代码结构
- 识别所有依赖点
- 制定重构方案
- 逐个模块修改
- 运行测试验证
规划能力是区分"好 Agent"和"差 Agent"的关键。好的规划能处理任务间的依赖关系，知道哪些步骤可以并行，哪些必须串行。
3. 工具调用（Tool Use）
这是 Agent 的"手"。通过调用外部工具，Agent 才能真正影响现实世界。
常见的工具包括：
| 工具类型 | 例子 | 能做什么 |
|---|---|---|
| 文件操作 | 读写文件 | 创建、修改、删除代码 |
| 命令执行 | Shell/Bash | 运行构建、测试、部署 |
| 网络请求 | HTTP/搜索 | 查询 API、搜索文档 |
| 数据库 | SQL 执行 | 查询和修改数据 |
2024 年底 Anthropic 提出了 MCP（Model Context Protocol） 协议，试图统一工具调用的标准。到 2026 年，几乎所有主流 Agent 框架都已支持 MCP，相当于给 Agent 预装了一个"万能工具箱接口"。
4. 记忆（Memory）
Agent 需要记住之前做过什么，才能做出合理的后续决策。记忆通常分为两类：
- 短期记忆：当前对话的上下文，比如"我刚才已经修改了 A 文件"
- 长期记忆：跨会话的知识积累，比如"这个项目使用 pnpm 而不是 npm"
Claude Code 的记忆系统就是一个典型的长期记忆实现——它会把项目约定、用户偏好等信息持久化到文件中，下次对话时自动加载。
四个组件的协作关系可以简单理解为：
这个循环会一直持续，直到任务完成。
主流 Agent 范式一览
不同的 Agent 采用不同的策略来完成上述循环。目前最主流的几种范式：
ReAct（Reasoning + Acting）
最经典的 Agent 范式。Agent 交替进行"思考"和"行动"：
- 思考：分析当前状态，决定下一步做什么
- 行动：调用工具执行操作
- 观察：获取工具执行的结果
- 回到第 1 步，直到任务完成
思考：用户想删除 node_modules 里未使用的包，我需要先分析依赖关系
行动：运行 npx depcheck
观察：发现 lodash 和 dayjs 未被引用
思考：需要确认这些包确实没有被间接引用
行动：搜索代码中的 import 语句
观察：确认没有引用
行动：执行 npm uninstall lodash dayjs
Claude Code 日常工作中大量使用这种模式——你看到它在"思考"然后"执行工具"就是 ReAct 在工作。
Plan-and-Execute
先把整个计划制定好，再逐步执行。适合任务步骤明确、依赖关系清晰的场景。
优势是执行效率高（不用每步都重新思考），劣势是一旦计划有误，可能需要回滚重来。
Reflexion
在 ReAct 基础上加入了"自我反思"——Agent 完成任务后会评估自己的表现，如果结果不理想就调整策略重试。
这相当于 Agent 有了"自我纠错"的能力，是目前 Agent 研究的热门方向之一。
怎么选？
| 范式 | 适用场景 | 代表实现 |
|---|---|---|
| ReAct | 通用任务、需要灵活应对 | Claude Code、大多数 Agent 框架 |
| Plan-and-Execute | 多步骤复杂任务 | LangGraph |
| Reflexion | 需要高质量输出的场景 | 学术研究、代码审查 Agent |
实际应用中，这些范式经常组合使用。一个成熟的 Agent 系统可能在规划阶段用 Plan-and-Execute，执行阶段用 ReAct，验证阶段用 Reflexion。
动手体验：用 Claude Code 跑一次 Agent
概念讲完了，来点实际的。Claude Code 是目前最容易上手的 Agent 体验之一——你不需要写任何代码，只需要一个终端。
准备工作
- 安装 Claude Code：
npm install -g @anthropic-ai/claude-code - 在任意项目目录下运行
claude启动交互式会话
实操演示
试试对 Claude Code 说：
"分析一下这个项目的依赖关系，列出哪些依赖可能是多余的。"
你会看到 Agent 的完整工作过程：
- 感知：读取 package.json，了解项目依赖
- 规划：决定逐个分析每个依赖的使用情况
- 工具调用：使用 grep 搜索代码中的 import 语句
- 记忆：记住哪些依赖被使用、哪些没有
- 输出结论：给出分析报告和建议
再试一个更复杂的：
"帮我给这个项目添加 ESLint 配置，使用主流的规则集。"
这次你会看到更多步骤——安装依赖、创建配置文件、运行检查、修复问题——全部自动完成。
关键观察点
在体验过程中，重点关注这几件事：
- Agent 如何拆解任务：看它的"思考"过程，理解规划逻辑
- Agent 如何处理错误：当工具调用失败时，它是否会自动调整策略
- Agent 何时停下来问你：好的 Agent 知道什么决策需要人类确认
通过这两个小练习，你对 Agent 的体感就建立起来了。接下来如果想深入，可以尝试用 LangGraph 或 CrewAI 搭建自己的 Agent——那才是真正的 Agent 开发。
小结
AI Agent 的核心就是把 LLM 从一个"只会说话的知识库"升级为一个"能感知、会规划、有工具、能记忆"的自主系统。
四个核心组件（感知、规划、工具调用、记忆）构成了 Agent 的基本骨架，而 ReAct、Plan-and-Execute 等范式则是不同的运行策略。
如果你之前只把 ChatGPT 当"高级搜索"来用，现在是时候体验 Agent 了——打开 Claude Code，给它一个真实任务，你会真正感受到 AI 从"回答问题"到"完成任务"的质变。
