docs: update site branding and add LLM Agent Basics post

Author: hjnnjh

README.md

@@ -1,4 +1,4 @@
-# Agent for Research
+# Coding Agent for Research
 
 > LLM Agent（尤其是 Coding Agent）在学术研究中的应用经验分享
 

docs/.vitepress/config.mts

@@ -4,7 +4,7 @@ import { withMermaid } from 'vitepress-plugin-mermaid'
 
 // https://vitepress.dev/reference/site-config
 export default withMermaid(defineConfig({
-  title: "Agent for Research",
+  title: "Coding Agent for Research",
   description: "LLM Agent（尤其是 Coding Agent）在学术研究中的应用经验分享",
 
   // 部署配置
@@ -17,7 +17,7 @@ export default withMermaid(defineConfig({
   // 主题配置
   themeConfig: {
     // 网站标题
-    siteTitle: 'Agent for Research',
+    siteTitle: 'Coding Agent for Research',
 
     // 导航菜单
     nav: [
@@ -43,6 +43,7 @@ export default withMermaid(defineConfig({
           text: '2026 年',
           collapsed: false,
           items: [
+            { text: 'LLM Agent 到底是什么？', link: '/posts/2026/2026-02-13-llm-agent-basics' },
             { text: 'Agent Skills 使用入门', link: '/posts/2026/2026-02-10-agent-skills-intro' }
           ]
         }
@@ -171,7 +172,7 @@ export default withMermaid(defineConfig({
 
     // Open Graph
     ['meta', { property: 'og:type', content: 'website' }],
-    ['meta', { property: 'og:title', content: 'Agent for Research' }],
+    ['meta', { property: 'og:title', content: 'Coding Agent for Research' }],
     ['meta', { property: 'og:description', content: 'LLM Agent 在学术研究中的应用经验分享' }],
 
     // Twitter Card

docs/categories/agent-basics.md

@@ -4,6 +4,4 @@
 
 ## 文章列表
 
-::: tip 敬请期待
-本分类下的文章正在撰写中，敬请期待！
-:::
+- [LLM Agent 到底是什么？一文搞懂核心概念](/posts/2026/2026-02-13-llm-agent-basics) — Agent 的定义、核心架构与主流模式入门

docs/index.md

@@ -3,7 +3,7 @@ layout: home
 
 hero:
   name: "Coding Agent"
-  text: "for Academic Research"
+  text: "for Research"
   tagline: Coding Agent在学术研究中的应用经验分享
   image:
     dark: /img/Claude_AI_symbol.svg.png
@@ -53,7 +53,8 @@ features:
 
 ::: info 最近更新
 
-- 🆕 [Agent Skills 使用入门](/posts/2026/2026-02-10-agent-skills-intro) - 2026-02-10
+- 🆕 [LLM Agent 到底是什么？一文搞懂核心概念](/posts/2026/2026-02-13-llm-agent-basics) - 2026-02-13
+- 📝 [Agent Skills 使用入门](/posts/2026/2026-02-10-agent-skills-intro) - 2026-02-10
   :::
 
 ## 🤝 参与贡献

docs/posts/2026/2026-02-13-llm-agent-basics.md

@@ -0,0 +1,158 @@
+---
+title: "LLM Agent 到底是什么？一文搞懂核心概念"
+date: 2026-02-13
+author: "博客作者"
+categories:
+  - agent-basics
+tags:
+  - agent
+  - llm
+  - beginner
+  - architecture
+difficulty: beginner
+summary: "从普通 LLM 调用到自主 Agent，本文用最少的篇幅讲清楚 Agent 的核心概念、基本架构和主流模式，帮你建立正确的认知框架。"
+featured: true
+---
+
+::: warning AI 含量说明
+本文由 AI (Claude) 辅助生成，内容经过人工审核与编辑。部分描述可能存在简化表述，请读者结合实际使用体验参考。
+:::
+
+# LLM Agent 到底是什么？一文搞懂核心概念
+
+::: info 本文概览
+- 🎯 **目标读者**: 对 Agent 概念感兴趣的入门者
+- ⏱️ **阅读时间**: 约 8 分钟
+- 📚 **知识要点**: Agent 定义、与普通 LLM 的区别、核心架构、主流模式
+:::
+
+## 从一个问题说起
+
+你一定用过 ChatGPT 或 Claude 这样的大语言模型（LLM）：你问一个问题，它回答你，结束。
+
+但如果你让它"帮我调研最近三个月关于 xxx 的论文，整理成表格"呢？单次对话显然不够——它需要**搜索、阅读、筛选、整理**，一步步地完成任务。
+
+这就是 **Agent** 要解决的问题。
+
+## Agent 与普通 LLM 调用的区别
+
+一句话概括：**LLM 只是大脑，Agent 是一个有手有脚的人**。
+
+LLM 再聪明，它只能"想"和"说"——你问它怎么分析数据，它能给你一份漂亮的方案，但它没法真的去执行。而 Agent 不一样，它不仅能想，还能**动手做**：搜索网页、读写文件、运行代码、调用 API。大脑加上手脚，才是一个能干活的人。
+
+| 维度 | LLM（大脑） | Agent（完整的人） |
+|------|-------------|-----------------|
+| 能力 | 只能思考和生成文本 | 能思考，也能动手操作 |
+| 工具 | 无 | 搜索、代码执行、API 调用等 |
+| 决策权 | 用户决定每一步 | 自主决定下一步做什么 |
+| 执行方式 | 一问一答 | 自主循环，直到任务完成 |
+
+Anthropic 在其[官方文档](https://www.anthropic.com/research/building-effective-agents)中给出了一个关键区分：
+
+- **工作流（Workflow）**：LLM 按预定义的固定路径执行——你写好了剧本，它只是演
+- **Agent**：LLM **动态自主决定**自己的执行路径——你给它目标，它自己写剧本并演出来
+
+## Agent 的核心架构
+
+不管多复杂的 Agent，本质上都是一个**循环**：
+
+```mermaid
+graph LR
+    A[接收任务] --> B[感知环境]
+    B --> C[推理规划]
+    C --> D[执行行动]
+    D --> E{任务完成?}
+    E -->|否| B
+    E -->|是| F[返回结果]
+```
+
+拆开来看就三件事：
+
+1. **感知**：获取当前环境信息（读文件、搜索网页、查数据库……）
+2. **推理**：基于已有信息决定下一步做什么
+3. **行动**：调用工具执行具体操作（写代码、调 API、生成文本……）
+
+这个循环不断重复，直到任务完成。其中，**工具调用**是 Agent 区别于普通 LLM 的关键能力。没有工具，LLM 只能"想"；有了工具，Agent 才能"做"。
+
+::: tip 类比理解
+把 Agent 想象成一个实习生：你给他一个任务，他会自己查资料（感知）、想方案（推理）、动手做（行动），做完一步看看效果，再决定下一步。而普通 LLM 更像一个只能口头回答问题的顾问。
+:::
+
+## 三种主流 Agent 模式
+
+### 1. ReAct：边想边做
+
+**ReAct**（Reasoning + Acting）是最经典的 Agent 模式，核心思想很简单：
+
+> 想一步 → 做一步 → 看结果 → 再想下一步
+
+```
+思考: 用户要找关于 X 的论文，我先搜索一下
+行动: 调用搜索工具，查询 "X recent papers"
+观察: 找到了 15 篇相关论文
+思考: 结果太多，我筛选最近 3 个月的
+行动: 过滤日期……
+```
+
+**优点**：灵活、可解释——你能看到它每一步在"想什么"。
+
+**缺点**：每一步都要调用 LLM 推理，速度慢、成本高。
+
+### 2. Plan-and-Execute：先规划再执行
+
+与 ReAct 的"走一步看一步"不同，这个模式是**先制定完整计划，再逐步执行**：
+
+```mermaid
+graph TD
+    A[接收任务] --> B[制定计划]
+    B --> C[步骤 1: 搜索论文]
+    C --> D[步骤 2: 筛选过滤]
+    D --> E[步骤 3: 整理表格]
+    E --> F[返回结果]
+```
+
+**优点**：执行效率高，子步骤可以用更小的模型完成。
+
+**缺点**：计划一旦制定，遇到意外情况不太好调整。
+
+### 3. 混合模式：实践中最常用
+
+现实中的 Agent 通常**混合使用**多种模式。Anthropic 总结了五种常见的实用模式：
+
+| 模式 | 一句话说明 |
+|------|----------|
+| **提示链** | 固定步骤序列，A → B → C |
+| **路由** | 先分类输入，再导向不同处理流程 |
+| **并行化** | 多个 LLM 同时工作，汇总结果 |
+| **编排-工作者** | 一个"经理"动态分配任务给多个"员工" |
+| **评估-优化** | 一个生成，一个评判，循环改进 |
+
+::: info Anthropic 的核心建议
+从最简单的方案开始，只在必要时增加复杂度。很多场景下甚至不需要构建 Agent 系统——一个好的 Prompt 可能就够了。
+:::
+
+## Agent 在学术研究中能做什么？
+
+回到我们关心的场景——学术研究。Agent 的能力正好契合研究中的多步骤、多工具任务：
+
+- **文献调研**：自主搜索、筛选、整理论文，生成综述表格
+- **数据分析**：读取数据、选择合适的统计方法、执行分析、生成可视化
+- **代码实现**：根据算法描述编写代码、调试、运行实验
+- **论文写作**：辅助组织结构、润色语言、检查引用格式
+
+而 **Coding Agent**（如 Claude Code、Cursor）是目前最成熟的 Agent 形态之一——它把"写代码"这个场景做到了极致，也是本博客重点关注的方向。
+
+## 总结
+
+三个要点带走：
+
+1. **Agent = LLM + 工具 + 自主循环**，能动态决定执行路径
+2. **核心架构**是"感知→推理→行动"的循环，工具调用是关键能力
+3. **不要过度设计**——从简单方案开始，按需增加复杂度
+
+## 参考资料
+
+- [Anthropic: Building Effective Agents](https://www.anthropic.com/research/building-effective-agents)
+- [OpenAI: A Practical Guide to Building Agents](https://cdn.openai.com/building-agentic-experiences-a-practical-guide.pdf)
+- [ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 2022)](https://arxiv.org/abs/2210.03629)
+- [Toolformer: Language Models Can Teach Themselves to Use Tools (Schick et al., 2023)](https://arxiv.org/abs/2302.04761)

package.json

@@ -1,7 +1,7 @@
 {
   "name": "agents-academic-blog",
   "version": "1.0.0",
-  "description": "Agent for Research",
+  "description": "Coding Agent for Research",
   "scripts": {
     "dev": "vitepress dev docs",
     "build": "vitepress build docs",