从 LLM 到 Multi-Agent：一文搞懂 AI Agent 的本质

当所有人都在谈 AI Agent 时，你真的理解它是什么吗？这篇文章用最直白的方式，帮你厘清 LLM、Agent、Multi-Agent 之间的本质区别，以及普通开发者如何从零开始构建自己的 Agent 团队。

---

一、LLM ≠ Agent：先破一个误区

很多人把 Claude、GPT 直接叫做 “Agent”，这其实不准确。

LLM（大语言模型）的本质是：给输入，返输出。 它没有自主决策能力，没有持久记忆，也不能调用外部工具。你问它一个问题，它回答完就结束了——没有"下一步该干什么"的概念。

Agent = LLM + 三个关键能力：

能力	LLM 裸用	Agent
决策循环	一次性回答	Plan → Execute → Observe → 再决策
工具调用	只能生成文本	能读写文件、调 API、执行代码
上下文管理	无状态	知道自己做到哪了，下一步该干什么

一句话：LLM 是引擎，Agent 是整辆车。引擎不等于车。

---

二、Claude Code：一个现成的 Single Agent

以 Anthropic 的 Claude Code 为例——它已经是一个完整的 Agent：

• 你说"修复这个 bug"，它会自己规划步骤（读代码 → 定位问题 → 写修复 → 跑测试）
• 它自主决定什么时候读文件、跑命令、调用工具
• 它在任务过程中持续追踪状态，知道做到哪了

但注意：从头到尾，只有"它一个人"在干活。这就是 Single Agent。

---

三、Multi-Agent：从"一个人扛"到"团队协作"

3.1 为什么需要 Multi-Agent？

Single Agent 的问题和一个人干所有事一样：

• Prompt 巨长，容易混乱
• 出了问题不知道是哪个环节
• 无法复用某个能力模块

Multi-Agent 就是把一个大任务拆成多个专职 Agent，各管一段，通过编排协作完成。

3.2 一个真实案例：日志巡检系统

以一个线上日志巡检系统为例，四个 Agent 各司其职：

log-inspector（感知层）→ log-analyst（认知层）→ alert-supervisor（行动层）→ group-reporter（播报层）

每个 Agent：

• 输入输出明确：inspector 输出 InspectionResult，analyst 输出 AnalysisReport
• 职责单一：inspector 只管采集，不做分析；analyst 只管分析，不发告警
• 可独立调试：某个环节出问题，直接定位到对应 Agent
• 可跨项目复用：alert-supervisor 可以用在任何需要 Jira 工单 + Lark 通知的场景

3.3 “真” Multi-Agent vs “模拟” Multi-Agent

这里有一个微妙但重要的区别：

维度	模拟 Multi-Agent	真 Multi-Agent
执行方式	单实例，依次切换角色	多个独立实例并行运行
上下文	共享同一个上下文	各自独立的上下文
并行能力	串行	真并行
通信方式	函数调用 / 内存传递	消息协议（文件 / API / MCP）
实际收益	职责隔离、可调试、可复用	以上全部 + 性能并行

很多框架（包括用 Claude Code + Skill 文件编排的方案）实际是模拟 Multi-Agent：底层跑的是同一个 LLM 实例，在不同时刻"扮演"不同角色。但它已经拿到了 Multi-Agent 的核心架构收益。

---

四、如何构建真正的 Multi-Agent 系统

4.1 方法一：多会话 + 共享存储（最简方案）

启动多个 Claude Code 会话，每个会话专注一个角色，通过文件系统或数据库做中间数据交换。

会话A（Inspector）→ 写入 result.json → 会话B（Analyst）读取并分析

手动版的 Multi-Agent，但确实是并行的、独立上下文的。

4.2 方法二：编排脚本 + API 并发调用（工程方案）

用一个主进程通过 Anthropic API 并发调用多个 Claude 实例：

Orchestrator（Python/Node 主进程）
├── 实例1：system_prompt = Inspector 角色
├── 实例2：system_prompt = Analyst 角色
└── 实例3：system_prompt = Supervisor 角色
主进程负责：消息传递、状态管理、结果汇总

这是真正的 Multi-Agent——多个独立脑子同时想、互相传话。

4.3 方法三：成熟框架（规模化方案）

框架	特点
LangGraph	基于图的 Agent 编排，灵活的状态管理
CrewAI	角色驱动，类似组建虚拟团队
AutoGen	微软出品，强调 Agent 间对话
MetaGPT	模拟软件公司的多角色协作

4.4 通信协议

• MCP（Model Context Protocol）：Agent 与外部工具之间的通信标准，Anthropic 主导
• A2A（Agent-to-Agent）：Google 推的 Agent 间通信协议
• 目前业界还没有统一的 Agent 间通信标准，这是一个正在快速演进的领域

---

五、总结：一张图看懂全局

LLM（Claude 本体）
  │  只是一个推理引擎
  ▼
Single Agent（如 Claude Code）
  │  LLM + 决策循环 + 工具调用 + 上下文管理
  ▼
模拟 Multi-Agent（Skill 角色编排）
  │  单实例多角色切换，拿到分工收益
  ▼
真 Multi-Agent（多实例并行）
  │  独立上下文 + 消息通信 + 真并行
  ▼
Multi-Agent 框架（LangGraph / CrewAI / AutoGen）
     规模化编排、状态管理、容错机制

一句话总结：LLM 是能力底座，Agent 是在底座上构建的自治系统，Multi-Agent 是让多个自治系统协作的架构模式。理解这三层，你就理解了 AI Agent 的全部。

---

作者注：本文内容来自一次与 Claude 的深度对话，所有概念均经过实际项目验证。如果你也在探索 AI Agent 的构建，欢迎交流。