AI 怎么从「聊天」进化到「干活」？
阅读时间约 8 分钟传统的聊天机器人（Chatbot）只做一件事：接收文字，输出文字。你问一个问题，它回一个答案。对话结束，它什么也没做。
而 AI Agent 不一样。它能感知环境、制定计划、采取行动、观察结果，然后循环往复。它可以使用工具、浏览网页、读写文件、调用 API——真正地帮你把事情办了。
聊天机器人像客服热线——只能回答问题。Agent 像私人助理——能帮你订机票、改日程、发邮件。
ReAct（Reasoning + Acting）是 Agent 最经典的工作模式。核心思想很简单：LLM 先思考（Reasoning），再行动（Acting），然后观察结果，如此循环。
整个过程是：Thought → Action → Observation → Thought → ... 直到任务完成。
任务：「查一下明天北京的天气」—— 点击"下一步"观察 Agent 的思考过程：
call_weather_api(city="北京", date="明天")ReAct 就像解数学题——先想思路（Thought），再动笔算（Action），看看对不对（Observation）。
工具调用（Function/Tool Calling）是 Agent 能力的关键。LLM 本身只能生成文字，但通过工具调用，它可以输出结构化的 JSON，描述要调用哪个函数、传入什么参数。
注意：LLM 并不直接执行工具——它只是发出请求，由外部系统负责执行，然后把结果返回给 LLM 继续推理。
点击"播放"观察 LLM 如何通过工具调用获取信息：
工具就像 Agent 的双手——大脑（LLM）决定做什么，双手（工具）负责执行。
真实世界的任务往往不是一步就能完成的。比如「帮我写一篇关于 Apple Silicon 的博客」，Agent 需要把它分解为多个子步骤，按顺序执行。
挑战在于：错误恢复（某一步失败了怎么办？）、上下文管理（信息太多怎么筛选？）、终止判断（什么时候算完成？）
观察一个复杂任务如何被分解为子任务并逐步执行：
多步规划就像做菜——不是把所有食材扔进锅里，而是按顺序备料、烹饪、调味、装盘。
Agent 不只是聊天，而是能感知、行动、观察的智能体，核心是 LLM 驱动的循环执行。
Thought → Action → Observation 循环，让 Agent 像人一样边想边做、步步推进。
通过工具调用，LLM 从只能生成文字，进化为能搜索、计算、执行代码的全能助手。
面对多步骤任务，Agent 会拆解、排序、逐步执行，处理错误并持续推进。
Agent 是 AI 从「知道答案」到「解决问题」的进化——不只是更聪明，而是更有用。