当需求稍显复杂,如 「要一份那不勒斯风格的健康食材披萨食谱」 时,非 Agent 系统可能凭借生成模型的强大能力给出像样的结果,但随着请求越来越详细、层层递进,试图通过单次调用 LLM 完美满足所有要求的可能性会降低。而 Agent 系统可能会先推理决定使用一个工具,通过 LLM 描述披萨的制作方式;接着推理决定使用另一个工具进行网络搜索来确定健康食材;然后进行推理决定使用最终检索食谱的工具,前几步获得的信息同样可用于指导或配置该工具的输入。 这种将任务分解成步骤的方式,与人类处理事情的方式相似。同时,因为 Agent 使用的是人类更了解、更易控制的工具,可以降低结果的不确定性。虽然不能保证一定成功,但 Agent 方法比非 Agent 方法更有机会让 AI 系统把事情办对。