第1章 Agent的本质——从对话到行动学习目标：理解Agent与LLM的本质区别，掌握ReAct认知闭环的数学形式化，学会用Chain-of-Thought引导模型推理，并建立Harness Engineering的工程视角。1.1 从LLM到Agent：为什么需要行动能力大语言模型（LLM）的崛起彻底改变了自然语言处理的格局。从GPT-3到GPT-4，从Claude到Llama，这些模型在文本生成、翻译、摘要、问答等任务上展现出惊人的能力。然而，一个根本性的局限始终存在：LLM只能说话，不能行动。1.1.1 知识的截止性与幻觉问题LLM的知识来源于训练数据，这意味着它们对最新的事件、私有的企业内部知识、以及实时的环境状态一无所知。当你问ChatGPT"今天北京的气温是多少"，它无法回答，因为它的权重矩阵里没有今天的天气数据。更危险的是幻觉（Hallucination）。LLM会自信地生成看似合理实则错误的信息。在法律、医疗、金融等高风险领域，这种"一本正经地胡说八道"可能造成严重后果。1.1.2 行动能力的必要性Agent（智能体）的概念正是为了解决这一局限而生。Agent的核心定义是：一个能够感知环境、做出决策并执行行动以实现目标的自主系统。将LLM作为Agent的"大脑"，赋