AIHARMONY / KNOWLEDGE

RAG 与 Agent，分别解决什么问题？

一个让回答有资料可依，一个让模型能够执行任务。理解两者如何在实际应用中协同。

内容更新：2026-10-01 · 课程资料与学习解读

RAG：为回答提供可以检索的上下文

RAG 是 Retrieval-Augmented Generation，即检索增强生成。系统先从资料中检索与问题相关的内容，再把这些内容作为上下文交给模型生成回答。它适用于企业制度、产品资料和学习文档等知识密集场景。

文档需要解析、切分和向量化，还要考虑召回、重排序与引用展示。回答看起来通顺，不代表引用正确。用测试集检查能否检索到相关资料、回答是否准确、引用是否对应原文，才有依据改进系统。

Agent 结合模型、工具与工作流来完成任务。模型可以提出工具调用参数，应用负责验证参数、执行工具和返回结果。涉及业务修改、权限或外部动作时，需要明确允许执行的范围、错误处理与必要的人工确认。

Function Calling 提供模型选择工具和生成参数的接口方式；MCP 用于统一客户端与工具服务的连接和交互；多 Agent 把复杂任务分配给不同角色。它们并不自动保证执行可靠，仍需要日志、检查、超时与失败处理。

例如课程中的招生销售转化智能体，可以先通过知识检索找到课程资料，再通过工作流组织线索与下一步任务。RAG 关注回答依据，Agent 关注任务执行；先做好知识服务，再逐步加入工具能力，是课程第三与第四阶段的衔接逻辑。

PDF 第 18–21、25–26、29–30 页

课程资料中的项目为实训规划，实际安排请咨询确认。技术概念说明为本站依据资料整理的学习解读。