大型語言模型代理 是什麼？
LLM Agents：大型語言模型代理 的完整解釋
以大型語言模型為核心決策引擎，結合工具調用與記憶機制，自主規劃並執行多步驟任務的 AI 系統。
大型語言模型代理（LLM Agents）代表了 AI 系統從「問答工具」向「自主行動體」演進的關鍵範式轉移。傳統 LLM 應用模式是單次問答：使用者提問，模型生成回應，互動結束。LLM Agents 則讓模型持續地感知環境、規劃行動、執行操作，並根據執行結果調整後續計畫，直到達成目標任務。
一個完整的 LLM Agent 系統通常包含四個核心模組。第一是 LLM 核心（Brain）：負責理解任務指令、進行推理規劃、生成行動決策，這是整個 Agent 的認知中樞。第二是工具集（Tools）：Agent 可以呼叫的外部能力，包括搜尋引擎、程式碼執行器（Python sandbox）、資料庫查詢介面、REST API 呼叫、瀏覽器控制等。不同的工具集賦予 Agent 不同的行動空間。第三是記憶（Memory）：分為短期記憶（當前對話的上下文窗口）和長期記憶（向量資料庫存儲的過往經驗、知識庫）。長期記憶使 Agent 在跨對話的任務執行中保持連貫性。第四是行動規劃器（Planner）：將複雜目標拆解為可執行的子任務序列，並在子任務失敗時調整計畫。
規劃策略是 LLM Agents 研究中的核心課題。ReAct（Reasoning + Acting）框架是最具影響力的早期方法，讓 LLM 在「思考（Thought）→ 行動（Action）→ 觀察（Observation）」的循環中逐步推進任務。Chain-of-Thought（CoT）提示技術讓模型在行動前先進行顯式推理，提升複雜任務的成功率。更進階的方法如 Tree of Thoughts（ToT）讓模型探索多條可能的推理路徑，並評估各路徑的前景選擇最佳方向；MCTS（Monte Carlo Tree Search）結合搜尋演算法進行更系統性的規劃空間探索。
多代理（Multi-Agent）架構是 LLM Agents 的重要延伸，讓多個專門化的 Agent 協作完成單一 Agent 難以處理的大規模任務。典型架構包括：主代理（Orchestrator）負責任務分配，多個子代理（Sub-agents）各司其職（如一個負責程式碼生成、一個負責測試、一個負責文件撰寫）；以及點對點協作架構，多個同級 Agent 透過訊息傳遞相互協調。
工具使用（Tool Use）是 LLM Agents 得以超越純語言生成的關鍵。透過函數調用（Function Calling）或工具調用（Tool Calling）機制，LLM 能以結構化格式輸出對工具的呼叫請求（包含工具名稱與參數），外部執行層接收請求、調用實際工具、並將結果返回給 LLM 作為下一步推理的輸入。這使得 Agent 能夠存取即時資訊、執行計算、操作外部系統，大幅擴展了純 LLM 的能力邊界。
記憶管理是 Agent 長期任務執行的關鍵挑戰。上下文窗口（context window）雖然越來越大，但仍有容量上限，長任務執行中的完整歷史無法全部放入。解決方案包括：摘要記憶（對過往交互進行壓縮摘要）、向量資料庫（將知識與歷史嵌入為向量，按需檢索）、以及 episodic memory（儲存重要的行動-結果對作為未來的參考案例）。
LLM Agents 的主要挑戰包括幻覺（hallucination）導致的錯誤規劃、工具調用失敗的錯誤恢復能力不足、長鏈推理中的累積誤差、以及安全性與可控性（Agent 在自主執行過程中可能採取非預期的高風險行動）。這也使得 Agent 系統的設計需要謹慎設置行動邊界、人工審查關卡、以及失敗回滾機制。
應用場景已在快速落地：軟體開發（自動化程式碼生成、測試、除蟲）、研究輔助（自動文獻搜尋與摘要合成）、客服自動化（多步驟查詢與系統操作）、個人助理（日程管理、郵件處理、資訊整理）等領域均有具體部署案例。隨著工具生態系統的成熟（如 MCP 協議標準化工具調用接口），LLM Agents 的能力邊界正持續擴展。