资料摘要：LLM Powered Autonomous Agents
Lilian Weng 的经典长文，以 Planning、Memory、Tool Use 三部分建立 LLM Agent 概念地图，并串联 ReAct、Reflexion、MRKL、Toolformer、HuggingGPT、API-Bank 与 Generative Agents。
- LLM 作为 Agent 的“brain”，但独立模型不足以构成 Agent；还需要规划、记忆、工具和环境反馈。
- Planning 同时包括 task decomposition 与 reflection/refinement；ReAct 用 Thought、Action、Observation 交替连接推理和环境。
- Memory 被映射为短期上下文与外部长时存储，文章进一步介绍 MIPS、ANN、HNSW、FAISS 等检索机制。
- Tool Use 让 LLM 获得模型权重外的信息和动作能力，难点不只在调用 API，还在决定是否调用、选哪个工具、参数是否正确以及如何消费结果。
- 文章通过科学发现、Generative Agents、AutoGPT 和 GPT-Engineer 展示早期 Agent 形态，同时明确指出上下文、长程规划和自然语言接口可靠性问题。
文章从 Chain-of-Thought、Tree of Thoughts 和外部 planner 讨论任务拆分，再用 ReAct 把语言推理与离散动作结合。Reflexion 则把失败轨迹与反思写回工作记忆，使下一轮尝试能避开重复错误。
短期记忆大致对应有限 context window，长期记忆通常依赖外部向量存储和近似近邻检索。这个类比有教学价值，但不能把“向量数据库”直接等同为真实长期记忆：写入策略、时间、重要性、来源和删除机制同样关键。
MRKL 把 LLM 作为路由器连接符号或神经模块；Toolformer 探索让模型学习何时插入 API call；API-Bank 将工具调用评估拆成调用、检索工具和多步规划三个层次。这个分层仍适合今天的 Agent 评估。
历史价值与时效边界
Section titled “历史价值与时效边界”Planning–Memory–Tool Use 的概念框架仍然经典，但文章发表于 2023 年。AutoGPT、ChatGPT Plugins、早期模型和框架 API 已不能作为当前实现指南；今天还应补上 guardrails、permission、human-in-the-loop、trace、eval 和 sandbox。
文章把当时研究和原型组织成了极有影响力的地图，但“LLM 是大脑、向量库是长期记忆”的类比容易让初学者忽视运行时系统。现代 Agent 的行为同样取决于 harness、工具接口、权限、环境、终止条件和验证器。
- 原文：LLM Powered Autonomous Agents，Lilian Weng，2023-06-23。
- 本地归档：`私有原始资料层
- 归档内容：清洗全文、原始 HTML 与 13 张配图，共 15 个内容文件。
- 归档前聚合 SHA-256：
fb3f127fa1c61373021259c234794e3880d0c7712ccddd8a0a1601867936566a