而家每個 AI 產品都話自己係「由 LLM 驅動」或者「基於 agent 建立」。咁就好難分辨，你到底需要一個聰明嘅文字工具，定係一個可以幫你完成工作嘅系統。

**簡單答案：**LLM（大型語言模型）會根據提示生成文字，之後就停。AI agent 會用 LLM 做「大腦」，再加上工具、記憶同規劃循環，令佢可以自行完成多步驟任務。簡單講：LLM 係回答，agent 係行動。

重點速覽

• LLM 係模型；AI agent 係圍繞模型建立嘅系統。
• 如果係單一步驟嘅語言工作，例如起草、摘要同解釋，就揀 LLM。
• 如果任務需要多個步驟、外部工具，或者持續跟進，就揀 AI agent。
• 大部分 agent 都係建基於 LLM，所以真正問題通常唔係「二揀一」。

呢份指南會用簡單語言解釋兩者差異、真實例子，同埋一個易用 checklist 幫你決定。

咩係 LLM？

大型語言模型係一種 AI 模型，用海量文字訓練而成，用嚟理解同生成語言。GPT、Claude、Gemini 同 Qwen 都係知名例子。

LLM 會接收你嘅提示，預測最佳回應，然後輸出。佢特別擅長：

• 寫作同改寫內容
• 概括長篇文件
• 翻譯語言
• 解釋概念同回答問題
• 生成同審閱程式碼

單獨使用時，LLM 有明確限制。佢只會喺單一 context window 入面運作，所以唔會喺唔同 session 之間保留知識。除非有其他軟件接駁，否則佢亦唔可以發電郵、更新試算表，或者檢查網站。

咩係 AI Agent？

AI agent 係一個朝住目標運作嘅系統，而唔係單純回答提示。你畀佢一個目標，佢就會決定要做邊啲步驟、用工具去做、檢查結果，再作出調整。

大部分 agent 都跟住同一個循環：推理、行動、觀察、重複。 呢個循環就係 agent 同單次模型呼叫嘅分別。

基於 LLM 嘅 AI Agent 點樣運作

基於 LLM 嘅 AI agent 由四部分組成：

• LLM（推理）： 解讀目標並決定下一步。
• 工具： API、網絡搜尋、程式執行，同埋 agent 可以操作嘅 app。
• 記憶： 儲存進度同上下文，令工作可以跨步驟同 session 繼續。
• 規劃同協調： 將目標拆成任務、處理錯誤，同知道何時停止。

Anthropic 喺佢關於建立有效 agent嘅指南入面，畫咗一條幾有用嘅界線。workflow 會透過預先定好嘅程式路徑去運行 LLM 同工具，而 agent 會畀 LLM 自己主導流程同工具使用。如果每一步都係事先固定，就係 workflow；如果模型自己揀步驟，就係 agent。

AI Agent 嘅類型

AI agent 通常會分為 simple reflex、model-based、goal-based、utility-based 同 learning agents。有啲列表會再加 hierarchical 同 multi-agent systems，所以會變成「7 種」。現代基於 LLM 嘅 agent 通常屬於 goal-based 或 learning agents。

AI Agent 同 LLM 有咩分別？

以下係兩者嘅並排比較：

執行：一次回應 vs 循環

LLM 會輸出答案然後等你下一個提示。agent 會繼續做嘢。佢會規劃、採取行動、讀取結果，再決定下一步，直到達成目標。

記憶：Context Window vs 持久記憶

LLM 只知道目前 context 裏面容納到嘅內容。agent 可以儲存進度、偏好同過往結果，所以可以喺長任務中接住上次未完成嘅部分繼續做。

工具：描述行動 vs 真正執行

叫 LLM「book a meeting」，佢只會寫一段有禮貌嘅訊息。將 agent 接到你嘅行事曆之後，佢就可以搵到空檔同幫你預約。

AI Agent 同 LLM 使用場景

真正要揀邊個，取決於 AI 回應之後發生咩事。如果由人類睇完輸出再自己行動，LLM 已經夠。 如果 AI 需要自己出手，就要 agent。

幾時揀 LLM

• 起草電郵、blog post 或廣告文案
• 概括報告、文章或逐字稿
• 翻譯或改寫內容
• 解釋概念或回答問題
• 快速寫程式支援

幾時揀 AI Agent

• 任務有多個彼此依賴嘅步驟
• 工作橫跨多個 app 或系統
• 你需要持續監察或者定期跟進
• 結果應該係完成動作，而唔係只係建議

LLM vs AI Agent 例子

想更貼近實際應用，可以睇吓 how an AI agent for social media management 點樣喺唔使一步一步提示嘅情況下處理規劃同發佈。

你需要邊一個？快速 checklist

針對你嘅任務，回答以下四條問題：

agent 更強，但亦更貴、更慢，而且需要監督。通常先用一條簡單提示配合強嘅 LLM，往往係更好嘅第一步。

關於 AI Agent 同 LLM 嘅常見問題

ChatGPT 係 LLM 定係 Agent？

GPT 係 LLM。ChatGPT 係建基於佢嘅 chatbot 產品。聊天模式嘅運作方式好似 LLM，而 agent 式功能就令同一個模型可以瀏覽、用工具，同完成多步驟任務。Claude 亦係同樣道理。佢係一個 LLM 系列，而當佢喺具備工具同循環嘅系統入面運行時，就會變成 agentic。

AI Agent vs Chatbot

chatbot 以對話形式回答，很多其實只係有 chat 視窗嘅 LLM。agent 會進一步喺其他系統入面採取行動。chatbot 會話你知點樣重設密碼，而 agent 會直接幫你重設。

AI Agents vs Large Language Models vs Agentic AI

「agentic AI」描述嘅係更廣泛嘅方法，即係 AI 系統以自主方式行動，通常有幾個 agent 一齊工作。LLM 係其中一個組件，AI agent 係一個系統，而 agentic AI 就係呢種模式。

MCP 放喺邊度？

Model Context Protocol（MCP）係一個開放標準，用嚟將 AI 模型連接到外部工具同數據。佢唔係 agent 嘅替代品，而係 agent 取得工具使用權其中一種方式。

點樣建立 AI Agent（同埋應該從邊度開始）

你唔需要由零開始自己砌 agent 都可以受惠於呢個轉變。實際做法可以係：

1. 先用 LLM。 用強模型測試你嘅任務，再優化提示。
2. 搵出重複步驟。 記低邊啲地方你要複製、貼上，或者將結果交畀另一個工具。
3. 加工具同記憶。 接駁任務會用到嘅 app，並儲存所需上下文。
4. 保留人工檢查。 喺畀 agent 接觸重要系統之前，先審核結果。

喺 1min.AI 用合適嘅 LLM 開始

1min.AI 係一個一站式 AI 平台，設有 Multi AI Chat，你可以喺同一個地方使用來自 OpenAI、Anthropic 同 Google 等供應商嘅頂尖 LLM。佢亦提供寫作、圖片、文件、音訊、影片同程式碼工具。共享工作區入面有 Prompt List、Brand Voice List 同 Asset List，幫你喺唔同專案之間保持一致。喺自動化之前，呢個係一個實用方法去測試邊個模型最適合你嘅任務。

搶先體驗 1min.AI Agent

1min.AI 亦正開發佢嘅 AI Agent。你可以透過 early access form 告訴團隊，你想 agent 處理邊啲任務。經管理員批准後，合資格團隊會收到 credits，而獲批提交者亦會透過電郵收到專屬折扣碼。

AI Agent vs LLM：FAQ

LLM 同 AI agent 係咪一樣？

唔係。LLM 係一個會根據提示生成輸出嘅語言模型。AI agent 係一個系統，將 LLM、工具、記憶同規劃結合起嚟完成任務。

AI agent 可以唔用 LLM 嗎？

可以。基於規則同強化學習嘅 agent 喺 LLM 出現之前已經存在。不過，大部分現代 agent 都會用 LLM，因為佢擅長處理自然語言指令同複雜嘅現實世界輸入。

AI agent 會唔會一定比 LLM 好？

唔一定。LLM 喺單一步驟任務上更簡單、更快同更平。當工作需要多個步驟、工具或者持續處理時，agent 會更有價值，但亦更複雜，需要更多監督。

AI agent 一定會用工具同記憶嗎？

大部分有用嘅 agent 都會。工具令佢可以行動，記憶令佢可以跨步驟保持方向。最簡化嘅 agent 可以只靠自己輸出循環，但喺實際工作入面好少見。

用一句講，AI agent 同 LLM 有咩分別？

LLM 係由提示生成語言，而 AI agent 就係用 LLM 加上工具、記憶同規劃循環去完成目標。

最後想法

AI agent vs LLM 呢個問題，其實係關於你想完成咩工作。如果你只需要更好的文字，LLM 已經夠。如果你需要跨工具完成工作，agent 就係更合適嘅選擇。大部分團隊都會兩樣都用，先由 LLM 開始，再喺重複嘅多步驟工作累積起嚟時加入 agent。

咁你需要邊一個？先用 LLM 處理文字，當你需要完成工作時，再加 AI agent。