Agent 世界观：LLM、Context、Tool 与 Agent 到底是什么
一篇用武侠比喻讲清楚 Agent 核心概念关系的”第 0 篇”教程——先建立世界观，再进入具体技术。
核心观点
-
LLM 不是数据库，模型参数更像肌肉记忆：LLM 不存储一篇篇文章供检索，而是通过训练将知识和模式”压进”参数，形成类似内功和肌肉记忆的能力。问它 HashMap 怎么实现时，它是凭训练形成的参数模式作答，而不是翻找一篇
HashMap.txt。 -
Context 是当前工作记忆，不是长期记忆：Context 是每次模型调用时真正送进模型的有效输入集合（系统规则、对话历史、Tool 结果、检索资料、任务状态等），它是有容量上限的”当前工作记忆”。新开对话”失忆”不是因为模型参数变了，而是因为之前的对话不在这次 Context 里。
-
Tool 不是智能，是”能力外放”：Tool（读文件、执行命令、搜索网页等）本身不知道任务目标是什么、下一步该做什么。真正负责结合上下文做判断的是 LLM。更重要的是——LLM 一般不亲自执行 Tool，而是输出调用意图，由 Runtime 真正执行后再把结果送回。
-
Agent 是围绕 LLM 的任务执行系统，不是更高级的 AI：最小 Agent = LLM + Tools + Loop。生产级 Agent 还需 Memory、State、Planning、权限控制、失败恢复等。Agent 让模型的”知道怎么做”变成了”真的能做”。
-
Agent Loop 是 Agent 的灵魂：本质就是自动化高频多轮调用的闭环——判断 → 行动（Tool 调用）→ 获取反馈 → 再判断——反复进行直到完成。这正是”一个任务消耗很多次模型调用”的根本原因。
-
MCP 不等于 Agent：MCP 解决”如何用统一方式接能力”，Agent 解决”如何持续完成任务”。接入 MCP 不代表自动有了完整 Agent。
关键概念
- AI Agent 智能体 — 核心概念，本次补充世界观定位
- Agent Loop 智能体循环 — 新增实体，Agent 核心运行机制
- Context 上下文 — 新增实体，核心概念首次独立成页
- Tool Use · 工具调用 — 新增实体，Tool 调用与执行分离
- MCP 模型上下文协议 — 更新世界观中的定位
- Claude Code — 更新 Agent Loop 实例化理解
- Agent Memory — 已有实体，区分 Memory vs Context vs State
- Function Calling — 已有实体，与 Tool Use 关联
实操内容保留
（本文为纯概念讲解，无实操代码/模板/步骤）
原文精彩摘录
“LLM 是一个拥有天下武学的完整高手，为了容纳更多武学彻底放弃了大脑记忆（只保留超短记忆即上下文）。模型参数是他多年修炼形成的内功、武学体系和肌肉记忆。Context 是他此刻有限的工作记忆。Memory 是外部保存的信息，需要时再取出来放回 Context。Agent 是高手携带的法宝系统和运行框架。Agent Loop 则是高手不断判断、使用法宝、得到反馈、再次判断的循环。因此，一个复杂 Agent 任务从底层看，往往就是一次又一次 LLM 调用与 Tool 执行组成的闭环，直到最终验收通过。”
“LLM 负责决策，Runtime 负责调度，Tool 负责执行。不同系统的实现细节会不同，但这个抽象非常重要。”
“同一个 LLM 套上 Agent 后，看起来可能厉害很多，因为它能搜索、能读文件、能执行、能验证、能失败后再来。提升的是整个系统解决任务的能力，不代表底层模型参数本身突然升级。“
与其他素材的关联
- 本文的”Agent = LLM + Tools + Loop”最小模型与 2026-07-05-juejin-claude-code-tool-calling 中 Claude Code 的
queryLoop机制形成底层呼应的解释 - 本文 Context/Weights/Memory 的三分法与 2026-07-19-woshipm-agent-memory-design 的 Memory 设计形成互补——本文讲”是什么”，后者讲”怎么做”
- 本文关于 MCP 的定位（能力接入层）与 MCP 模型上下文协议 中 Claude Code 的 MCP 工具生命周期描述一致
- 本文的”Agent 不是更高级 AI”纠正了入门阶段的常见误解，为本 wiki 中大量 Agent 素材提供了概念基础锚点