什么是 AI Agent？它和直接调用大模型 API 有什么区别？
参考答案
AI Agent 就是一个能自己感知环境、拆解任务、调工具、拿结果、再决定下一步怎么干的自主系统。你给它一个目标，它自己想办法搞定，不用你一步步盯着。
直接调大模型 API 本质上就是”一问一答”，你发一段 Prompt 过去，模型吐一段文本回来，完事了。模型不会主动去干活，也不会根据中间结果调整策略。就像问一个很聪明的朋友问题，他给你答案但不帮你动手。
Agent 不一样，更像雇了个助理，你说”帮我订明天去上海的机票”，他自己查航班、比价、下单，中间卡住了还会自己想别的办法。
两者的核心差异有三点：
1）Agent 有循环执行能力，反复走”思考 → 行动 → 观察”这个环，直到任务做完。API 调用是单次的，走一遍就没了。
2）Agent 能调外部工具，搜索引擎、数据库、代码执行器都行。大模型 API 只能输出文本，对外部世界没有任何操作能力。
3）Agent 有记忆，能记住之前做了什么、拿到什么结果，后面的决策会基于这些历史信息。纯 API 调用每次都是从零开始。
扩展知识
Agent 的本质是 LLM + 循环 + 工具
理解 Agent 最快的方式就是一个公式：Agent = LLM + Loop + Tools。大模型负责”想”，循环机制让它能持续”做”，工具让它能真正影响外部世界。
这个循环通常叫 ReAct 循环，每一轮包含三步：先 Reasoning 想清楚当前该做什么，再 Acting 去执行一个动作，最后 Observation 把执行结果拿回来喂给大模型，进入下一轮。这个环会一直转，直到模型判断”任务完成了”或者”搞不定了”才会停。
普通 API 调用走一遍就结束了，Agent 会一直跑这个环直到目标达成。这一个循环就是 Agent 和简单 API 调用最根本的分水岭。
从 Prompt 到 Agent 的演进路径
最早大家就是拼 Prompt Engineering，靠写提示词让大模型给出好答案。很快发现光靠 Prompt 不够，模型的知识有截止日期，私有数据也不知道，于是加了 RAG 检索增强，先去向量库里搜一把相关文档塞进上下文，再让模型回答。
但 RAG 只能查资料，没法帮你执行操作。比如你想让 AI 帮你建个 Jira 工单、跑一段 SQL，RAG 做不到。于是 OpenAI 在 2023 年 6 月推出了 Function Calling，让模型自己判断”我现在需要调哪个函数、传什么参数”，调完之后把结果拼回对话继续推理。
再往前一步，把 Function Calling 塞进一个 while 循环里，让模型自己决定下一步做什么、什么时候停，这就是最基础的 Agent 了。2023 年 AutoGPT 火了一把就是干的这个事，虽然实际效果还比较粗糙，但把”LLM 自主循环调工具”这个范式打出来了。
到 2024-2025 年，Agent 框架开始成熟，LangGraph、CrewAI、AutoGen 这些工具让搭建 Agent 变得越来越工程化。2024 年底 Anthropic 发布了 MCP 协议统一工具接入标准，Agent 生态进一步标准化。所以 Agent 不是凭空出来的新概念，就是在大模型能力基础上，通过工程手段一步步赋予它”自主行动”能力的产物。
Agent 和 Workflow 的区别
很多人会把 Agent 和 Workflow 搞混。Workflow 是你提前把流程定死了，第一步干什么、第二步干什么、遇到什么条件走哪个分支，全都是人写好的逻辑。Agent 不一样，每一步做什么是大模型实时决定的，它有自主规划的能力。
打个最简单的比方：Workflow 像工厂流水线，每个工位干什么定死在那了；Agent 像一个有经验的员工，你给他一个目标，他自己安排工作步骤，中间遇到意外还能临时调整。
实际项目中两种模式经常混着用。可靠性要求高的环节用 Workflow 兜底，灵活性要求高的环节让 Agent 自主决策。Anthropic 在 2024 年底发布的 Agent 设计指南里就明确提了这个思路：能用 Workflow 搞定的别上 Agent，Agent 留给那些确实需要动态决策的场景。
面试官追问
提问：ReAct 这个循环具体是怎么实现的？模型怎么知道什么时候该停下来？
回答：实现上就是一个 while 循环，每一轮把当前任务描述、历史操作记录、上一步的工具返回结果拼成 Prompt 喂给大模型。模型的输出会按照约定格式给出 Thought、Action、Action Input 三个字段，框架解析出来之后去调对应的工具，把结果作为 Observation 拼回去进入下一轮。停止条件一般有两种：模型输出一个特殊的 Final Answer 标记，表示任务完成了；或者循环次数到了预设上限，强制终止防止无限跑下去。LangChain 默认上限是 15 轮。
提问：Agent 现在最大的问题是什么？实际落地效果怎么样？
回答：最大的问题就是不可控。模型的推理能力还不够稳定，复杂任务拆解经常出错，工具调用的参数也可能瞎填。一旦中间某一步走偏了，后面就全跟着跑偏。实际落地中，纯靠 Agent 自主决策的场景还比较少，大部分都是人工设定好关键节点的检查逻辑，在自主性和可控性之间做平衡。2025 年 Devin、OpenAI Codex 这些编程 Agent 算是落地效果比较好的方向，因为代码任务有明确的验证手段，跑测试就知道对不对。
提问：Function Calling 和 Tool Calling 有什么区别？
回答：严格来说没太大区别，就是叫法不同。OpenAI 最早叫 Function Calling，后来在 2023 年 11 月改名叫 Tool Calling，主要是想表达模型能调用的不只是函数，还可以是任意工具。Anthropic 从一开始就叫 Tool Use。底层机制都一样：模型输出一个结构化的 JSON 指明要调哪个工具、传什么参数，应用层解析之后去执行，再把结果喂回来。