第 6 节 · Agent vs Chatbot：为什么需要循环

一句话回答

Chatbot 是"问一句答一句"的函数；Agent 是"在循环里反复调用 LLM + 工具，直到把活干完"的程序。

差别不在"用了多大的模型"，而在有没有循环。

同一个问题，两种命运

"请帮我抓取 https://example.com 的内容，告诉我它有多少字节，并把这个字节数除以 7。"

Chatbot 视角

resp = client.chat.completions.create(
    model=MODEL,
    messages=[{"role": "user", "content": question}],
)
print(resp.choices[0].message.content)

模型只能用它训练时见过的知识 + 自己脑补。结果两种典型反应：

1. 老实承认："我无法访问网络，请你贴上网页内容。"
2. 自信编造："example.com 大概有 1256 字节，1256 / 7 ≈ 179.43。"（数字是编的）

Agent 视角

while True:
    msg = llm.chat(messages, tools=tools)        # ① 调 LLM
    if not msg.tool_calls:                       # ② 不再要工具？
        return msg.content                       # ③ 结束
    for call in msg.tool_calls:                  # ④ 执行每个工具
        result = run_tool(call.name, call.args)
        messages.append(tool_result(call.id, result))
    # ⑤ 继续循环

跑出来是这样：

第 1 轮：LLM 说：调 fetch_url("https://example.com")
        工具返回：1256 字节
第 2 轮：LLM 说：调 calculator("1256 / 7")
        工具返回：179.43
第 3 轮：LLM 说：example.com 共 1256 字节，除以 7 ≈ 179.43
        ↑ 没有 tool_calls 了，结束

同一个 LLM、同一道题，加了一个 while 循环 + 两个工具，命运完全不同。

Chatbot vs Agent 的工程差别

维度	Chatbot	Agent
主循环	没有	有 while，多轮反复调 LLM
输入	messages: list	messages: list + tools: list[Schema]
LLM 输出处理	直接 .content 显示	检查 tool_calls 字段，分两种走
外部世界	够不到	通过工具够得到
状态	上一轮回答	持续累积的 messages，含 tool 角色消息
可控性	完全靠 prompt	靠 prompt + 工具集 + 循环边界

一个关键认知：Agent 不是"更聪明的模型"

最常见的误解：以为换个更大的模型就有了 Agent。

不是。Agent 是程序在驱动 LLM，不是 LLM 自己在驱动程序。

Chatbot:    用户 -> [LLM] -> 用户
Agent:      用户 -> [程序{ LLM, 工具, 循环 }] -> 用户
                       ↑
                      这一层，今天我们要亲手写

后面 Day3 会讲 Agent 的不同思考范式（ReAct / Plan-and-Solve / Reflection），都是在这个 while 循环里玩花样——但循环本身不会变。

历史插曲：为什么 2023 年这件事突然爆发

while + LLM + 工具 的想法早在 2022 年的 ReAct 论文（Yao et al.）就提出来了，但当时大家只能让模型用 prompt 约定输出 "Action: xxx" 字符串，再用正则去解析——非常脆弱（Day3 会复盘这种写法）。

2023 年 6 月，OpenAI 推出 Function Calling，把"调工具"从 prompt 里搬到了结构化字段 tool_calls，再也不用正则解析。从那天起：

• 写 Agent 的门槛骤降
• 工业级 Agent（Cursor / Claude Code / Devin）井喷

下一节我们就来看看这个 Function Calling 协议到底长什么样。

动手试试

运行 demo_06_chatbot_vs_agent.py，会看到同一道题的两种命运：

cd 02-tools-and-agent-loop/lab/demos
python demo_06_chatbot_vs_agent.py

注意观察"实验 ② Agent"输出里的轮次日志——这就是今天的核心：循环。

小结

概念	一句话理解
Chatbot	一次 LLM 调用 = 一次回答
Agent	多次 LLM 调用 + 工具调度 + 循环边界
关键拐点	2023 年 OpenAI Function Calling，把"调工具"做成协议
升级路径	Chatbot + 工具调用 + while 循环 = Agent

---

下一节：Function Calling 协议到底是什么样？4 种角色 / Tool Schema / 完整消息流，每一处都拆开看。