Augmented LLM
Agentic systems 的基础构件：在 LLM 外围接入 retrieval、tools 和 memory，让模型能获得信息、调用能力并保留状态。
#tech / ai
#resource / augmented-llm
#type / concept
#status / growing
[!info] related notes
- 所属 MOC: AI MOC
- 前置概念: LLM, mcp, Built-in tools, Function Calling
- 并列概念: AI Agent Memory Layer, Agentic Systems
- 易混淆概念:
- 关系笔记: Agentic Workflow Patterns, AI的能力以及对应的协议
Augmented LLM
一句话定义
Augmented LLM 是把基础模型和 retrieval、tools、memory 组合在一起后的可执行构件，是大多数 agentic systems 的起点。
核心机制 / 工作原理
单纯的 LLM 只能基于当前上下文做理解和生成；增强后，它可以：
- 自己决定要不要查资料
- 自己决定要不要调用工具
- 在任务过程中保留必要状态
最常见的三类增强是：
- retrieval：补外部知识和现场信息
- tools：让模型能搜索、读文件、执行命令、调用业务接口
- memory：让系统跨步骤或跨会话保留关键事实
最小例子 / 最小场景
一个 coding assistant 如果能：
- 读取项目文件
- 运行测试命令
- 记住当前分支和失败日志
那它已经不是裸 LLM，而是 augmented LLM。
边界与易混淆点
- augmented LLM 还不是完整 agent；它是更底层的 building block。
- 是否“增强得好”，关键不只是工具多，而是接口是否清晰、文档是否明确、状态是否可控。
- 这里最常被低估的工作，其实是工具定义和 agent-computer interface 设计。