一、本质差异维度普通大模型 API 调用Agent 应用交互模式单轮请求 → 响应结束多轮循环感知 → 决策 → 行动 → 反馈反复迭代控制流线性、一次性循环、有状态、可分支、可重规划工具使用无或固定动态选择、组合调用多个工具状态管理无状态每次独立有状态跨步骤记忆、上下文累积自主性低用户驱动每一步高自主规划、执行、纠错终止调用即结束需要显式终止条件错误处理简单重试或返回错误需观察反馈、重规划、多策略容错复杂度低高循环 工具 状态 规划典型场景翻译、问答、单次生成自动编程、数据分析、多步任务自动化一句话概括普通 API 调用是问一句答一句的单轮交互Agent 是给目标自己想办法完成的多轮自主循环系统。二、为什么 Agent 需要专门框架支持普通 API 调用只需requests.post()就能搞定但 Agent 应用引入了普通工程难以手动管理的复杂性1. 循环控制Agent 需要反复调用模型 → 解析输出 → 执行工具 → 回传结果 → 再调用模型这个循环需要框架统一管理包括终止条件、步数上限、异常处理。2. 工具编排工具注册、参数校验、调用执行、结果回传多工具的动态选择和组合手写易出错框架提供标准化机制3. 状态与记忆管理跨步骤的上下文累积短期记忆对话历史与长期记忆向量库上下文窗口管理压缩、截断、检索4. 规划与重规划任务分解、步骤排序执行失败后的动态重规划框架内置 ReAct、Plan-and-Execute 等模式5. 可观测性与调试每一步的日志、追踪trace工具调用记录、中间状态查看手写难以做到全链路可观测6. 错误处理与容错工具失败、模型输出异常、超时重试策略、降级方案、死循环检测框架提供统一容错机制7. 多 Agent 协作如需角色分工、消息传递、任务分发冲突解决、结果汇总三、典型框架框架特点LangChain / LangGraph生态丰富支持复杂流程图AutoGen微软出品擅长多 Agent 协作CrewAI角色化多 Agent易用OpenAI Agents SDK官方轻量级 Agent 框架LlamaIndex偏 RAG Agent四、总结普通 API 调用是无状态的单轮请求工程简单Agent 是有状态的多轮自主循环涉及循环控制、工具编排、状态记忆、规划纠错、可观测性等复杂工程问题。这些复杂性如果纯手写容易出错且难以维护因此需要专门框架来标准化、模块化、可观测化地管理 Agent 的完整生命周期。核心Agent 框架解决的不是调用模型的问题而是如何让模型自主、可靠、可控地完成多步复杂任务的工程问题。