大模型直接回答用户问题，本质上是在做一次“基于上下文的语言推理”。这种方式适合解释概念、总结文本、写一段代码示例，或者给出判断建议。但很多真实任务并不是“回答完就结束”，而是需要持续观察环境、拆解目标、调用工具、执行动作、校验结果，再根据反馈调整下一步，这时就需要 Agent。

Agent 可以理解为在大模型外面加了一层“任务执行系统”。大模型负责理解、推理和决策，Agent 负责把决策组织成可执行流程，比如规划步骤、调用搜索、访问数据库、读写文件、运行测试、调用业务 API、记录中间状态、处理失败重试等。也就是说，大模型偏向“会想、会说”，Agent 让它进一步具备“会做、会检查、会迭代”的能力。

以代码开发场景为例，如果只是问“React 中 useMemo 有什么作用”，大模型直接回答就够了。但如果用户说“帮这个项目修复一个线上 bug，并保证测试通过”，就不能只给一段建议。它需要读取项目结构，定位相关文件，分析调用链，修改代码，运行 lint 和测试，根据报错继续调整，最后总结改动。这种闭环执行能力就是 Agent 的价值。

另外，大模型本身存在几个限制：训练数据可能过期，不能天然访问实时系统；上下文窗口有限，不能长期稳定维护任务状态；生成内容可能有幻觉，缺少外部校验；默认也不能直接操作用户的工具链。Agent 通过工具调用、记忆、状态管理、权限控制和反馈循环，把这些限制补上，让模型从“生成答案”变成“完成任务”。

当然，并不是所有问题都需要 Agent。简单问答、静态知识解释、一次性文本生成，直接调用大模型反而更快、更便宜、更可控。Agent 更适合目标复杂、步骤较多、需要外部工具、需要验证结果、需要跨系统协作的场景。