1. AI Agent（人工智慧代理）
定義
AI Agent 是一個能「自主感知環境、分析資訊、做出決策並採取行動」的系統，目的是完成特定目標。它可以是軟體（如聊天機器人），也可以是結合硬體的實體（如自駕車）。
核心特性
- 自主性：無需人類即時操控，能獨立運作。
- 目標導向：針對明確目標（例如回答問題、導航路線）行動。
- 環境互動：透過感測器（如鏡頭、麥克風）或數據輸入（如文字訊息）接收資訊，再以行動（如輸出回答、控制方向盤）影響環境。
技術組成
- 感知模組：接收環境資訊（如語音辨識、影像分析）。
- 決策模組：根據資訊分析並制定策略（可能用規則、機器學習或LLM）。
- 行動模組：執行決策（如發送訊息、操控機械）。
舉例
- 智慧家電：掃地機器人偵測障礙物後規劃路徑。
- 客服機器人：分析用戶問題並從資料庫提取答案。
2. LLM（大型語言模型，Large Language Model）
定義
LLM 是專門處理「自然語言」的深度學習模型，透過海量文本訓練，學會預測字詞關聯，從而生成流暢的人類語言。例如：GPT-4、Claude、Llama。
核心能力
- 語言生成：寫文章、編故事、回答問題。
- 語言理解：分析文本情感、提取摘要。
- 知識推理：基於訓練數據中的隱含邏輯回答問題（但非真正「理解」）。
限制
- 被動工具：需人類提問或輸入指令才會回應，缺乏自主目標。
- 缺乏真實感知：僅處理文字，無法直接接收影像、聲音等環境資訊。
- 可能出錯：生成內容依賴統計規律，可能產生不準確或虛構資訊。
3. AI Agent 與 LLM 的關係
LLM 是 AI Agent 的「大腦部件」之一
- LLM 擅長語言處理，可作為 AI Agent 的「決策模組」一部分。例如：
- 客服 Agent 用 LLM 理解用戶問題並生成回覆。
- 研究助理 Agent 用 LLM 分析論文，再結合網路搜尋驗證資訊。
- 但完整的 Agent 還需其他元件：
- 感知（如麥克風接收語音）、
- 記憶（儲存對話歷史）、
- 行動（控制機器手臂、連線資料庫查詢）。
關鍵差異
| 特性 | AI Agent | LLM |
|---|---|---|
| 範圍 | 完整系統（軟硬體整合） | 專注語言處理的模型 |
| 自主性 | 主動決策並行動 | 被動回應指令 |
| 互動方式 | 多模態（文字、影像、動作） | 僅限文字輸入與輸出 |
比喻
- LLM 像「語言專家」：精通文字，但只會坐在辦公室等人來問問題。
- AI Agent 像「全能助理」：結合語言專家（LLM）、偵測環境的感官（鏡頭）、執行任務的手腳（機械裝置），能主動規劃並完成複雜任務。
4. 實際應用案例
- GPT-4 + 自動化工具：
LLM 生成程式碼，AI Agent 自動測試、部署到伺服器，完成軟體開發流程。 - 居家機器人：
用 LLM 理解「幫我拿冰箱的蘋果」指令，再透過鏡頭定位蘋果位置，控制機械手臂抓取。
總結
- AI Agent 是能自主完成目標的「智能體」，整合多種技術（含 LLM）。
- LLM 則是專精語言生成的模型，常被用作 Agent 的「語言處理核心」，但需其他元件配合才能成為完整代理。
簡單來說：LLM 讓 AI Agent 更會說話，但 Agent 要真正做事，還需要手腳、眼睛和記憶。
