AI Agent vs LLM vs AI Assistant: Ano ang Kaibahan?

Ano ang pagkakaiba ng AI agent, LLM, at AI assistant?

Ang AI agent, LLM, at AI assistant ay tatlong layer ng iisang stack. Para matukoy ang pagkakaiba ng mga ito, tingnan kung ano ang kailangan ng bawat isa mula sa server. Ang LLM (large language model) ay isang file ng weights na nangangailangan ng RAM at compute. Ang assistant ay modelong iyon na binalutan ng chat surface, kasama ang account at naka-save na history, at halos palaging tumatakbo sa hardware ng ibang tao. Ang agent ay assistant na mayroon ding tools at loop. May hawak din itong credentials, kaya kailangan itong tumakbo sa isang machine na palaging naka-on.

Humihinto sa mga definition ang karamihan ng mga pagsusulat tungkol sa paksang ito. Mahalaga lamang ang mga definition dahil iba-iba ang cost ng bawat layer. Ang una ay nangangailangan ng RAM. Ang kasunod ay nangangailangan ng public URL at TLS (transport layer security). Ang huli ay nangangailangan ng credentials. Kapag nagamit na ng agent ang isang credential, kailangan mo na itong i-rotate.

Ang LLM ay mga weight, at kailangan ng RAM ng mga weight

Ang LLM ay isang file na binubuo ng mga numero. Ida-download mo ito, ilo-load ito ng runtime sa memory, at sasagot ito sa isang request sa bawat pagkakataon. Makitid ang kontrata: text ang input, at text ang output. Walang memory ang model sa pagitan ng mga tawag, walang orasan, walang network access, at walang paraan para magbukas ng file. Lahat ng tila naaalala ng LLM ay inilagay sa context nito ng program na tumawag dito.

Ang laki ng file na ito ang pangunahing batayan sa pagpili ng VPS plan, dahil nananatili sa memory ang buong file habang tumatakbo ang model. Sa 4-bit quantisation na default na nire-release ng Ollama, maglaan ng humigit-kumulang 0.6 GB bawat bilyong parameter, pagkatapos ay magdagdag ng isa o dalawang gigabyte para sa context window at sa runtime mismo.

[
  {
    "label": "qwen3:4b",
    "download_gb": 2.5,
    "ram_gb_needed": 6
  },
  {
    "label": "qwen3:8b",
    "download_gb": 5.2,
    "ram_gb_needed": 8
  },
  {
    "label": "qwen3:14b",
    "download_gb": 9.3,
    "ram_gb_needed": 12
  },
  {
    "label": "qwen3:32b",
    "download_gb": 20.0,
    "ram_gb_needed": 24
  }
]

Ang qwen3:8b build ay 5.2 GB sa disk at nangangailangan ng humigit-kumulang 8 GB ng RAM para tumakbo nang hindi nag-i-swap. Hindi ilo-load ng 4 GB VPS ang qwen3:14b, na 9.3 GB na agad bago ka pa mag-type ng isang salita rito. Ang pinakamalaking row dito, qwen3:32b, ay nangangailangan ng humigit-kumulang 24 GB, na sa karamihan ng price list ay ibang plan at ibang buwanang bayarin.

Isang usapin ang pagkapasok sa memory. Iba naman ang bilis. Sa CPU-only VPS, memory bandwidth ang bottleneck sa halip na clock speed, kaya kahit kasya ang model ay maaari pa rin itong sumagot nang ilang token bawat segundo. Ayos ito para sa trabahong tumatakbo magdamag, pero hindi kaaya-aya para sa chat. Humigit-kumulang isang order of magnitude ang naidaragdag ng GPU sa bilis na iyon, at tumataas din ang bayarin, kaya magpasya batay sa sukat: i-benchmark ang VPS gamit ang workload na plano mong patakbuhin at basahin ang kung kailan sulit sa presyo ang GPU VPS. Para mapatakbo ang weights, magsimula sa Ollama sa sarili mong VPS.

Ang assistant ay isang LLM kasama ang chat surface

Ang assistant ay product layer na nakapalibot sa isang model. Ang ChatGPT at Claude ay mga assistant: isang model, chat window, account, naka-save na mga conversation, at rate limit. Halos wala sa mga ito ang tumatakbo sa hardware na kontrolado mo, kaya ang hosted assistant ay may subscription cost at halos walang RAM na ginagamit sa iyong server.

Ang self-hosted na bersyon ay isang front end gaya ng Open WebUI na naka-point sa lokal na Ollama o sa isang hosted API. Maliit na software ang front end. Maglaan ng humigit-kumulang 1 GB resident memory para sa chat surface, bukod pa sa kailangan ng model. Ang kailangan nito na hindi kailangan ng bare model ay isang public URL at certificate, dahil gusto mo itong ma-access mula sa phone: mag-issue ng certificate gamit ang Certbot at Nginx, o i-terminate ang TLS sa Traefik sa harap ng ilang app. Kung pumipili ka pa ng front end, ikumpara ang mga alternatibo sa Open WebUI.

Sumasagot ang assistant. Hindi ito kumikilos nang mag-isa. Kapag nagsulat ito ng shell command, binabasa muna iyon ng isang tao at nagpapasya kung ipo-paste ito. Ang taong iyon ang safety layer, at ang agent ang nag-aalis sa layer na iyon.

Isang agent ang nagdadagdag ng tools at loop

Ang agent ay isang assistant na maaaring tumawag ng functions at magbasa ng mga resulta. Dalawang bahagi ang gumagawa ng trabaho. Una, ang tool: paglalarawan ng function na maaaring hilingin ng model, kasama ang code mong aktuwal na nagpapatakbo nito. Ikalawa, ang loop: tinatawag ng program mo ang model, humihingi ang model ng tool, pinapatakbo ito ng program mo, idinadagdag ang output sa conversation, at muling tinatawag ang model. Inuulit ito hanggang sabihin ng model na tapos na ito o hanggang ihinto ng isang limit.

Ordinaryong code ang loop, at kasya ang basic na bersyon sa wala pang isang daang linya. Nagiging agent ito dahil may dalang totoong credentials ang mga tool, kaya maaaring magbago ang loop ng mga bagay sa labas nito. Ang katotohanang ito ang batayan ng bawat hosting decision sa ibaba. Ang mga kasanayan ng agent at mga MCP (model context protocol) server ay dalawang paraan para bigyan ang agent ng mas maraming tool nang hindi nire-rewrite ang loop.

• Nakakatuloy ito kahit tapos na ang session mo. Nagtatapos ang isang chat kapag isinara mo ang tab. Maaaring umabot ng twenty minutes ang isang agent run at dapat itong magpatuloy kahit mag-sleep ang laptop mo, kaya dapat itong tumakbo sa isang box na palaging naka-on, na sinisimulan ng systemd service o timer na nagbabalik dito pagkatapos ng reboot.
• May hawak itong secrets. Maaaring API key, SSH key, o database password. Anumang nababasa ng agent ay maaaring ipagamit dito ng isang malisyosong instruction na nakatago sa input nito, kaya ilayo ang secrets sa maaabot ng agent.
• Lumalaki ang cost nito batay sa loop, hindi sa tanong mo. Sa bawat step, muling ipinapadala ang buong conversation bilang input, kaya binabayaran ng ten-step run ang transcript na iyon nang ten times. Ito ang dahilan kung bakit input tokens ang pinakamalaking bahagi ng agent bill at kung bakit kailangan mo ng hard cap sa maaaring gastusin ng isang run.
• Maaari itong magkamali sa paraang nagsusulat o nagbabago ng data. Ang maling sagot sa chat ay nangangailangan lang ng panibagong pagbasa. Ang maling delete sa loob ng loop ay maaaring magbura ng directory. Patakbuhin ito bilang user na may pinakamababang privilege na sapat para gumana ito, at para sa coding agents, i-sandbox ito bago ibigay ang repository mo.

Mga kailangan ng bawat layer mula sa box

[
  {
    "label": "LLM (weights you host)",
    "ram_gb": 8,
    "gpu": "helps a lot",
    "public_url": "no",
    "credentials": "none"
  },
  {
    "label": "Assistant (chat surface)",
    "ram_gb": 1,
    "gpu": "no",
    "public_url": "yes",
    "credentials": "one login"
  },
  {
    "label": "Agent (tools and a loop)",
    "ram_gb": 2,
    "gpu": "no",
    "public_url": "only for webhooks",
    "credentials": "several"
  }
]

Basahin nang mabuti ang column ng RAM dahil hindi kasama rito ang model. Maliit na program ang chat front end at agent runtime. Kung tumatawag ang agent sa hosted model, sapat na ang 2 GB na RAM para patakbuhin ito, at praktikal na sagot ang murang plan, hindi lamang kompromiso. Kung ilalagay ang weights sa parehong box, mangibabaw sa lahat ang 8 GB na linya ng model.

Mas mahalaga kaysa inaasahan ng marami ang iba pang column. Ang model layer lamang ang bumibilis kapag may GPU. Ang assistant layer lamang ang karaniwang nangangailangan ng public URL dahil kailangang maabot ito ng browser; kailangan lamang ng agent nito kapag may external na kailangang tumawag dito, gaya ng webhook. At may hawak ang agent na several credentials, na siyang tunay na pagkakaiba nito sa chat window. Maaaring magkamali ang chat window. Maaaring magkamali ang agent at pagkatapos ay kumilos batay rito.

Kailangan ba ng GPU para magpatakbo ng AI agent?

Hindi, maliban kung ikaw rin ang magho-host ng weights sa parehong machine. Ang agent loop ay binubuo ng HTTP requests, JSON parsing, at subprocess calls. Halos idle ang CPU habang naghihintay ito sa network. Sa totoo lang, ang tanong tungkol sa GPU ay tanong tungkol sa LLM layer.

Kaya paghiwalayin ang desisyon. Kung hindi maaaring lumabas sa machine mo ang text, maglaan ng budget para sa memory na paglalagyan ng model at, para sa sapat na bilis, para sa GPU na magpapatakbo nito. Kung automation lang ang kailangan mo, mag-rent ng model batay sa token at ilaan ang budget sa uptime at backups. Karamihan sa self-hosted agent sa 2026 ay tumatawag sa hosted model, kaya mas mura silang patakbuhin.

Maaari ka bang mag-self-host ng AI agent?

Oo. Ang agent ang pinakakapaki-pansing i-self-host dahil dito tumatakbo ang loop kung saan nakaimbak ang data at credentials mo. Kayang magpatakbo ng aktuwal na agent ang isang maliit na VPS na may 2 GB RAM, service manager, at outbound network access. Piliin ang gumawa ng sarili mong setup sa isang VPS kung gusto mong ikaw ang magmay-ari at mag-manage ng loop. Kung mas gusto mong magsimula sa kumpletong setup, mag-deploy ng isa sa mga handa nang self-hosted agent.

Madali ang pag-self-host ng assistant: isang container at isang certificate lang ang kailangan. Ang pag-self-host ng model ang magastos na bahagi. Dito rin madalas sumusuko ang mga tao kapag nakita nilang napakabagal lumabas ng tokens mula sa CPU. I-self-host ang weights kapag hindi maaaring lumabas sa server ang data, o kapag masakit na sa gastos ang per-token pricing dahil sa dami ng gamit. Kung hindi, hayaang tumawag ang agent sa isang API at panatilihing local ang mga bahaging mahalaga sa iyo.

Ang ChatGPT ba ay isang AI agent?

Nagiging agent ang isang chat product kapag kaya nitong tumawag sa isang tool at kumilos batay sa resulta nito nang hindi muna humihingi ng pahintulot sa iyo. Batay sa pamantayang ito, mga agent ang mga hosted assistant na may browsing, code execution, o connector. Para sa iyo, ang mahalagang pagkakaiba ay kung saan tumatakbo ang loop at kung kaninong credentials ang ginagamit nito. Sa isang hosted product, pag-aari ng vendor ang dalawang ito. Sa sarili mong server, pag-aari mo ang dalawang ito, kasama ang responsibilidad sa anumang gawin ng loop nang alas-3 ng madaling-araw.

Reactive, planning at multi-agent

Mahilig maglista ang mga roundup ng pitong uri ng agent. Marketing lamang ang karamihan sa mga uring ito. May dalawang pagkakaibang nagbabago sa code na isinusulat mo, at may isang nagbabago sa gastos. Ang reactive agent ay tumatawag sa isang tool, binabasa ang sagot, at tumutugon. Ang planning agent ay unang gumagawa ng plan at pagkatapos ay isinasagawa ito. Mas maaasahan ito sa mahahabang task, pero mas maraming token ang nagagastos dahil ipinapadala muli ang plan sa bawat step. Sa multi-agent setup, maaaring magsimula ang isang agent ng iba pang agent. Kasabay nito, dumarami ang token na nagagamit at ang mga posibleng failure mode. Sulit lamang ito kapag tunay na independent ang mga sub-job, gaya ng sabay-sabay na paghahanap sa apat na source. Magsimula sa reactive. Magdagdag ng planning kapag humahaba ang mga run. Multi-agent ang huling subukan. Para sa mas malawak na mapa, tingnan ang mga bagay na sulit pag-aralan tungkol sa AI agents sa 2026.

Paano malalaman kung aling layer ang aktuwal mong pinapatakbo

Sa server, tingnan kung aling mga proseso ang gumagamit ng memory.

free -h
ps -eo rss,comm --sort=-rss | head -5

Kung ang nangungunang proseso ay ollama o llama-server at gumagamit ng ilang gigabytes ng RSS (resident set size, o memory na aktuwal na ginagamit ng isang proseso), ikaw ang nagho-host ng model. Kung walang prosesong gumagamit ng higit sa ilang daang megabytes at patuloy na lumalaki ang bayarin mo sa API, nagho-host ka ng agent o assistant at nirerentahan mo ang model. Kung walang laman ang listahang iyon dahil lahat ay nangyayari sa isang browser tab, customer ka ng assistant. Maayos itong setup hanggang sa kailangan mo ng software na kikilos para sa iyo.

Alin ang gusto mong patakbuhin?

• Para manatiling pribado ang text, patakbuhin ang model: mag-self-host ng LLM gamit ang Ollama, pagkatapos ay ikumpara ang runtimes gamit ang Ollama kumpara sa vLLM kapag naging sampu na ang user mula sa isa.
• Para ikaw ang mamahala sa loop at mga tool, i-build ang agent: i-build ang sarili mong AI agent sa isang VPS.
• Para may gumagana ka ngayong gabi, mag-deploy ng tapos nang agent mula sa mga self-hosted agent na sulit patakbuhin.
• Kung wala pa sa mga ito ang may server sa ilalim, magsimula sa kung ano talaga ang ibinibigay ng VPS sa iyo.

FAQ

Ang AI agent ba ay LLM lang na may dagdag na mga hakbang?

Ang mga dagdag na hakbang ang mismong product. Ang LLM ay nagko-convert ng text tungo sa text at wala nang iba. Pinalilibutan ito ng agent ng mga tool na maaari nitong tawagin at loop na patuloy na tumatawag sa mga iyon. May credentials ang mga tool na iyon, kaya maaaring baguhin ng output ang isang file, database, o live service. Kaya kailangan ng agent ng machine na patuloy na naka-on, service manager, at secrets policy. Ang LLM ay nangangailangan lamang ng sapat na memory para mapagkasya ang weights nito habang sumasagot.

Kailangan ko ba ng GPU para magpatakbo ng AI agent?

Hindi para sa agent mismo. Ang loop ay binubuo ng HTTP requests, JSON handling, at subprocess calls, na kayang pamahalaan ng kahit anong CPU habang naghihintay ito sa network. GPU lang ang kailangan kapag ikaw mismo ang nagho-host ng model weights at gusto mong makakuha ng higit sa ilang token kada segundo mula rito. Ang agent na tumatawag sa hosted model ay maayos na tatakbo sa maliit na VPS kahit walang GPU.

Gaano karaming RAM ang kailangan ng VPS para sa AI agent?

Humigit-kumulang 2 GB kapag hosted model ang tinatawag ng agent, dahil runtime, dependencies nito, at maliit na local database lamang ang kailangang hawakan nito. Idagdag ang model kung ikaw ang nagho-host ng weights: ang qwen3:8b lamang ay nangangailangan ng humigit-kumulang 8 GB, kaya nagsisimula sa ganitong kapasidad ang all-in-one box at tataas pa depende sa model na pipiliin mo.

Maaari ba akong mag-self-host ng AI assistant at panatilihing pribado ang mga conversation ko?

Oo, pero may isang caveat na siyang nagpapasya sa lahat. Pinananatili ng self-hosted front end gaya ng Open WebUI ang mga account at history sa server mo. Mananatiling pribado ang mga conversation mismo kung local din ang model sa likod nito. Kapag itinuro mo ang parehong front end sa isang hosted API, lumalabas pa rin sa server mo ang text sa bawat message. Sa ganitong setup, hawak mo ang history pero hindi ang privacy.

Ano ang pagkakaiba ng AI agent at chatbot?

Sumasagot ang chatbot at tumitigil. Nagpapasya ang agent kung ano ang susunod na gagawin, tumatawag ng tool, binabasa ang resulta, at muling nagpapasya hanggang matapos ang task o mapatigil ito ng isang limit. Ang praktikal na test: kung kayang magbago ng software ng isang bagay nang hindi kailangang pindutin ng tao ang isang button sa pagitan ng sagot at ng action, agent ito. Kailangan nito ang hosting at guardrails na kaakibat ng naturang setup.