Agent 并不是突然出现的，它更像是 Prompt Engineering 一路“堆能力”的自然结果。在 Agent 之前，我们主要靠提示词让 LLM 更稳定地完成复杂任务，演进大致经历以下阶段：

0）Role：最早期的“角色设定”

最经典、最早期的提示方式是 Role Prompt：

“你是一个资深产品经理 / 你是一个资深 SRE / 你是一个代码审查专家……”

它的作用是给模型一个行为边界与输出风格，让回答更贴合领域语境，例如：

• 语气更专业
• 输出结构更像行业习惯
• 更倾向于该角色的关注点（风险、边界、指标等）

局限： Role 只能改变“说话方式和偏好”，并不会真正提高事实可靠性或执行能力。

1）Step by Step：让模型显式分步

随后常用的是：

“请一步一步思考 / Step by step”

它能显著提升复杂任务的完成率：模型会先拆解再回答，减少跳步错误。

2）Few-shot：用示例教会模型“套路”

Few-shot Prompt 是提供几个示例（输入→输出），让模型学习：

• 输出格式（如 JSON / 表格）
• 解决套路（如对比、分类、总结）
• 任务边界（什么该输出，什么不要输出）

3）Thinking：从“答案”到“推理过程”

再进一步，我们希望模型不仅给结论，还能给 reasoning / thinking：

• 让复杂任务更稳定
• 更利于 debug（知道它为什么这么做）

4）ReAct：把“思考（Reason）”和“行动（Act）”结合起来

ReAct（Reason + Act）是从 Prompt 到 Agent 的关键跃迁：

• Reason：决定下一步做什么
• Act：调用工具（搜索、数据库、API）并获取结果

这让 LLM 从“会推理”变成“会执行”。

5）Agent：多步循环 + 工具 + 状态

当 ReAct 再加上：

• 多轮循环（Plan-Act-Observe）
• 状态/记忆（Memory）
• 失败重试与校验

就形成了我们今天说的 Agent。

图：从 Prompt Engineering 到 Agent 的演进路径

小结（可作为补充结尾）

从 Role 到 Step-by-step、Few-shot、Thinking，本质是在增强 LLM 的“表达质量与推理稳定性”；而从 ReAct 开始，模型被赋予了“行动能力”，再叠加循环与状态管理，就自然演进成 Agent 系统。