案例04｜從 Vanilla LLM 到 Compound System 再到 Agent：2022–2025 的控制邏輯演進

一、案例定位

本案例依原書第 6 章「The Timeline of LLMs and Their Engineering」重組，並非原書正式案例研究。

理解原書如何以 2022–2025 四個階段描述 LLM 工程從靜態模型、外部模組到自我規劃 Agent 的演進。

二、學習目標

掌握原書時間線的四個階段。
區分 Knowledge Access 與 Control Logic 的變化。
理解 Compound System 並未因 Agent 出現而失去價值。

三、案例情境

原書從 2022 年 11 月開始描述：Vanilla LLM 依賴 Static Training Data；2023 年 Compound System 加入 Retrieval／Verification／Specialized Modules；2024 年 Control Logic 開始轉向 Agentic Framework；到 2025 年，Agentic Architecture 成為明顯趨勢，LLM 開始自行 Plan、Act、Remember。

四、開始資料

時間	原書階段	主要變化
2022 年 11 月	Vanilla／Monolithic LLM	生成能力強，但知識主要來自 Static Training Data
2023	Compound Systems	加入 Retrieval、Verification、Specialized Tasks；Control Logic 仍主要由人 Hardcode
2024	Agentic Framework Emerging	LLM 開始自行規劃步驟與選擇 Tools
2025	AI Agents Movement	Plan、Act、Remember Context，Control Logic 更由 LLM 主導

五、Excel／AI 分析方法

Excel 可將既有系統標記為 Vanilla、Compound、Agentic，並記錄 External Data、Tool Use、Control Logic Owner、Memory；AI 可協助分類，但不應把年份當成技術成熟度分數。

六、計算結果

原書提供的是四個時間階段，而非市場占比或效能統計，因此不進行量化比較。

七、結果分析與管理解讀

演進焦點不是「模型變大」而已，而是 Knowledge Boundary 與 Control Logic 在改變。Compound System 解決最新資料與工具接入，Agentic System 再把部分流程決策交給 LLM。

八、AI 提問詞

請根據 External Knowledge、Tool Use、Control Logic、Planning、Memory 五項特徵判斷系統較接近 Vanilla、Compound 或 Agentic。不要只用建置年份判斷。