LLM 集成应用形态：从 LLM 对话到自主 AI Agent 系统

一篇综述系统检验了 chatbot、copilot、RAG、workflow、coding agent、AI agent 等标签是否对应真实架构形态。作者调研来源后认为标签确有架构含义：copilot 指在宿主应用上运行的 router-worker 架构，每步需用户确认；agent 标签对应由 AI 规划的多步执行，用户只看到结果。四家主要厂商的 coding agent 共享同一架构——reason-and-act 循环并委派子代理。综述归纳出七种形态，并以 22 个系统为语料。

此前这些标签多被视为营销用语，缺乏统一对照。该综述把它们放进以 agent 与 tool 为核心的共同词汇，并按四个结构维度区分，使产品选型和架构讨论首次有可比较的参照，也指出 agent 标签背后用户确认点正从逐步转向仅看结果。

机制差异集中在执行控制与用户介入点：copilot 由宿主应用承担执行、模型做路由与工作，用户逐步确认；agent 则由模型规划多步任务并调度子代理，用户只接收结果。coding agent 的统一形态是 reason-and-act 循环加子代理委派，agentic RAG 只被部分纳入四维描述。

产品在命名与能力承诺上需要区分路由确认型与规划自主型，前者适合高风险宿主操作，后者适合可回滚的多步任务。研发评估指标应改为每任务 agent 调用次数、工具使用与用户介入点，并据此设计确认、审计与中断恢复流程，成本随调用次数上升。

• 按综述四维（架构模式、执行控制与用户介入点、每任务 agent 调用次数、工具使用）建立自有产品的形态标注表，用于对外命名与对内评审。
• 针对 copilot 型逐步确认与 agent 型仅看结果两种模式，分别设计权限、审计日志与中断回滚机制。
• 以 22 个系统语料为基准做竞品对照，识别自家 coding agent 是否偏离 reason-and-act 加子代理的共性架构。

• 评审未给出各形态在真实任务中的性能、成本或可靠性对比数据。
• 22 个系统的选取标准、覆盖领域与时间范围未在证据中说明。
• agentic RAG 为何只被部分纳入四维描述、其余维度如何界定，证据未交代。
• 标签的架构含义是否主要来自厂商用法，研究机构或开源项目的用法是否一致，尚不明确。