定义 / 核心思想
LLM Agent 是以大语言模型为“大脑“，通过感知（输入/观测）→ 规划（推理下一步做什么）→ 行动（调用工具/执行操作）→ 观察结果 → 再规划的循环来完成任务的系统，区别于一次性问答的普通 LLM 调用。
一个 Agent 系统通常由几部分组成：
- 核心推理模型：负责理解任务、拆解步骤、决定何时调用工具。
- 工具（Tools / Function Calling）：搜索、代码执行、数据库查询、API 调用等，让模型能操作真实世界而不只是“说“。
- 记忆（Memory）：短期记忆（当前任务的上下文/中间结果）和长期记忆（跨任务的知识库、向量检索）。
- 规划（Planning）：把大任务拆成子任务，可以是显式的计划列表，也可以是边做边想的隐式规划。
关键概念
- ReAct（Reason + Act）：让模型交替输出“思考（Thought）“和“行动（Action）”，把推理过程显式化，再执行行动、观察结果，是目前最常见的 Agent 基础范式。
- Reflexion：在任务失败后，让模型对失败原因做语言层面的“反思“，把反思写入记忆，在下一次尝试时参考，用语言反馈代替梯度更新。
- 多智能体协作（Multi-Agent）：多个各有分工的 Agent（如 Planner / Executor / Critic）互相协作或辩论，分摊单个 Agent 的认知负担。
- 评测：像 SWE-bench、WebArena、GAIA 这类基准，用真实/仿真环境任务而不是单轮问答来衡量 Agent 能力。
常见理解误区
- “Agent 就是加了工具调用的 LLM” —— 忽视了长程任务里最难的部分其实是规划的容错和纠错：单步工具调用容易，几十步之后还能不偏离目标、能从错误里恢复，才是难点。
- 把 Agent 和 固定流程的 Workflow 混为一谈：Workflow 的步骤和分支是人预先写死的；Agent 的下一步是模型在运行时决定的，具备更高的自主性也意味着更高的不确定性。
我在项目中的应用
在中科院物理所凝聚态物质科学数据中心实习期间，主导了 MatSciBench 项目的智能体框架开发，把数据集自动化搜集、处理、构建和自动模型训练流程串联了起来。
TODO: 补充智能体框架的具体架构（用了哪些工具、怎么做的规划/容错）、华为诺亚方舟实习期间 Agent 工作的细节。
参考资料
- Yao et al., “ReAct: Synergizing Reasoning and Acting in Language Models”
- Shinn et al., “Reflexion: Language Agents with Verbal Reinforcement Learning”