---
title: "大型語言模型代理（LLM Agents）"
slug: llm-agents
language: zh-TW
source: https://aiterms.tw/terms/llm-agents
updated_at: 2026-07-30
tags: [大型語言模型, AI代理, 工具調用, 自主AI, ReAct]
ipas_term: false
---

# 大型語言模型代理（LLM Agents）

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。

## 完整說明

大型語言模型代理（LLM Agents）是以 LLM 作為「推理大腦」，整合工具呼叫（如網路搜尋、程式執行、資料庫查詢）、記憶（短期上下文與長期記憶庫）、以及行動規劃能力，使 AI 系統能夠接受開放式任務指令，自主分解子任務、選用適當工具並迭代執行，最終達成複雜目標的架構設計模式。

## 常見問題

### LLM Agents 和普通 LLM 聊天機器人有什麼根本差異？

普通 LLM 聊天機器人是「單輪或多輪問答系統」：使用者輸入訊息，模型依據對話歷史和訓練知識生成文字回應，互動在此停止，模型不會採取任何外部行動，能力完全受限於訓練資料的截止日期。LLM Agents 則是「自主行動系統」：使用者給出一個目標（而非問題），Agent 自主規劃達成目標所需的步驟，呼叫真實工具（搜尋網路、執行程式碼、查詢資料庫、發送請求）獲取資訊或改變外部狀態，根據執行結果調整計畫，並持續迭代直到任務完成。核心差異在於：普通聊天機器人的輸出只有文字，Agent 的輸出包括對現實世界的實際操作；普通聊天機器人是單次推論，Agent 是多步驟自主決策迴圈；普通聊天機器人被動回應，Agent 主動規劃。

### ReAct 框架在 LLM Agents 中如何運作？

ReAct（Reasoning + Acting）是讓 LLM Agent 交替進行推理與行動的提示框架，設計目的是讓模型在採取每個行動前先進行顯式推理，並在觀察行動結果後更新理解，形成「思考（Thought）→ 行動（Action）→ 觀察（Observation）」的迭代循環。具體流程：模型接收任務指令後，先生成一段思考文字（Thought），分析當前狀況並決定下一步；然後輸出一個行動（Action），如「搜尋：台灣 AI 應用現況」；外部執行層調用搜尋工具並返回結果（Observation）；模型讀取觀察結果，生成新的 Thought 評估是否已有足夠資訊或需要進一步行動；如此循環直到生成最終答案（Final Answer）。ReAct 的貢獻在於把 LLM 的內部推理過程顯式化，使得 Agent 的決策過程可追蹤、可調試，比純粹的行動生成更加穩定可靠。

### LLM Agents 在實際部署中面臨哪些主要挑戰？

部署 LLM Agents 面臨的挑戰主要集中在可靠性、安全性和效率三個維度。可靠性方面：LLM 的幻覺問題在 Agent 場景下會累積放大：單次問答中的一個小幻覺影響有限，但在多步驟任務中，第一步的錯誤判斷可能導致後續所有步驟都建立在錯誤基礎上；工具調用失敗時，Agent 的錯誤恢復機制往往不夠健壯，可能陷入無效重試循環。安全性方面：自主 Agent 在執行過程中可能採取使用者未預期的高風險行動（如刪除文件、傳送郵件、發起支付），需要設置明確的行動邊界和高風險操作的人工確認關卡；提示注入（prompt injection）攻擊也是真實威脅，惡意內容可以劫持 Agent 的行動目標。效率方面：多步驟任務中每一步都需要一次 LLM 推論，延遲和成本會隨任務複雜度線性增長，對即時應用是明顯制約。目前主流解決方向包括：結合形式化規劃（formal planning）、增加沙箱隔離、以及人機協作的審查機制（human-in-the-loop）。

---

來源：https://aiterms.tw/terms/llm-agents
快查頁：https://aiterms.tw/terms/llm-agents
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-llm-agents