大家好，我是吴师兄。
这一两年，很多同学在简历上写了“做过 LLM 应用”“做过智能问答系统”，但一到现场面试，面试官往往会抛出一个看似基础、实则杀伤力极大的问题：
这个问题如果回答不好，往往会直接暴露认知天花板。
但如果结合工程视角讲清楚，会让面试官立马知道： 这是一个真的做过工程落地，而不是停留在概念层面的候选人。
今天，我们把这个问题剖开讲透。
LLM 的“天花板”在哪里？
很多人在 ChatGPT 出来时感到震撼，但继续深入用就发现，它本质上仍是一个 被动的大型问答机。
在直播中，我们总结过：
-
没有“手”：无法执行真实动作，例如“把文件发给老板”。
-
没有“感知”：无法访问实时天气、最新股票、网页信息。
-
没有“记忆”：稍微长一点的对话就忘记历史。
一句话总结：
LLM 只擅长“生成”，但不会“行动”。
这也是为什么企业把 LLM 称为“文本生成器”，它能写文案、写代码，但无法完成真正的任务链路。
Agent 的出现，本质上是为 LLM 装上“大脑 + 手脚 + 记忆”
给 Agent 的来个定义：
Agent = LLM（大脑） + Planning（规划） + Memory（记忆） + Tools（工具）
这句话直接点明了 LLM 到 Agent 的进化方向。
如果把 LLM 比作一个“刚毕业的清北博士”，Agent 就是：
-
给他配上 工具箱（工具调用）
-
给他配上 互联网（感知模块）
-
给他配上 工作笔记（长期记忆）
-
给他配上 项目管理 SOP（规划模块）
于是，一个“会思考但不会干活的博士”，被改造成真正能完成任务的“数字员工”。
那到底什么是 Agent 的“规划（Planning）”？
LLM 的回答方式是“直觉型”的，一句话进，一句话出。
但现实任务极其复杂，需要多步骤思考。
例如让 Agent 做这样一个任务：
“帮忙分析哪家科技巨头去年在 AI 上投入最大。”
Agent 必须分解：
-
找财报
-
找各自的 AI 投入
-
判断来源是否最新
-
做对比
-
输出结论
Agent 的核心能力之一是：
-
Subgoal Decomposition（子任务拆解）
-
Reflection（自我反思）
也就是说它不仅能规划任务，还能执行后检查自己是否犯错。
这点是纯 LLM 完全做不到的。
Agent 的“记忆（Memory）”解决了 LLM 最关键的问题
LLM 的上下文是“滑动窗口式”，内容多了会被挤出去。 企业级需求中，很多对话必须跨轮次、跨任务。
例如：
“像上次一样帮我订票。”
如果没有 Memory，LLM 会完全忘记“上次”指什么。
Agent 利用：
-
短期记忆（Context Window）
-
长期记忆（向量库 + RAG）
来确保多轮任务的连续性。
Context Window 的载入方式 —— Messages List 才是真实记忆的根本机制。
对面试官来说，这句话能直接看出你是真做过工程的。
最关键的差异：Agent 具备“行动能力（Tool Use）”
这是 LLM 和 Agent 最本质的区别。
LLM：只会生成文本
Agent：可以执行动作
执行动作靠什么？
核心关键技术：
Function Calling（函数调用）是 Agent 技术的基石。
Function Call 的流程包括：
-
定义可用工具
-
LLM 判断要调用什么
-
返回结构化 JSON
-
后端执行真正的 API
-
再把结果交给 LLM 整理
这让 LLM 能够：
-
查实时数据
-
写入数据库
-
操作系统
-
执行代码
-
控制硬件
-
甚至运营一个网站
从“问答机”进化成“执行者”，这是质变。
面试官真正想听到的总结
面试官的潜台词是：
“是否理解 LLM 的极限，以及 Agent 为什么是未来趋势？”
一个行业级回答应该是这样的：
-
LLM 是静态的文本生成器
-
Agent 是具备规划、记忆、行动能力的自治系统
-
企业想要的不是聊天机器人，而是能真正 替人干活的数字员工
-
这种能力必须依赖 Planning / Memory / Tool Use / Function Calling
-
Agent 技术才是企业真正愿意投入预算的方向