最近在尝试将AI能力集成到自己的项目中时你是否也被“大模型”、“提示词”、“Agent”、“RAG”、“MCP”这些层出不穷的新概念搞得晕头转向网上资料要么过于学术化要么就是零散的代码片段缺乏一个从零到一、串联所有核心概念的完整认知地图。本文旨在为你彻底理清这些热门AI技术术语。我们将从最基础的大模型开始通过通俗的比喻和清晰的逻辑一步步拆解提示词、Agent、Skill、RAG、MCP和工作流并揭示它们之间的内在联系。无论你是刚接触AI的开发者还是希望将AI能力落地的产品经理读完本文后你不仅能理解每个概念“是什么”和“为什么”更能看清它们如何组合构建出真正智能的应用系统。1. 基石理解“大模型”是什么在深入其他概念之前我们必须先建立对大模型Large Language Model, LLM的正确认知。它是整个AI应用生态的“大脑”和“算力核心”。1.1 大模型的本质一个超级“文本概率预测器”你可以把大模型想象成一个博览群书、记忆力超群的“学者”。它通过在海量互联网文本书籍、文章、代码、网页等上进行训练学会了语言的统计规律。当你向它输入一段文字称为“提示”或Prompt时它的核心任务就是根据上文预测下一个最可能出现的词是什么并如此循环生成连贯的文本。它不是什么它不是数据库不会“存储”知识它也不是搜索引擎不能“检索”实时信息。它的“知识”来源于训练数据并以参数一种复杂的数学模式的形式存在。它的能力得益于庞大的参数规模千亿甚至万亿级它展现出令人惊叹的泛化能力能够进行对话、翻译、总结、写代码、逻辑推理等。OpenAI的GPT系列、Anthropic的Claude、Google的Gemini、Meta的Llama系列都是典型代表。它的局限知识截止性模型训练完成后其知识就固定了。例如GPT-4的知识截止到2023年无法知晓之后的事件。幻觉Hallucination模型可能会生成看似合理但完全错误或虚构的信息。缺乏实时性与私域知识无法获取训练数据之外的最新信息或你公司内部的私有文档内容。简单示例与大模型对话# 这是一个概念性示例实际调用需要API Key # 假设我们调用一个名为“智脑”的大模型API response 智脑.generate(法国的首都是哪里) print(response) # 预期输出法国的首都是巴黎。理解了这些局限我们就能明白为什么需要后续的技术来“增强”或“引导”这个大模型让它变得更可靠、更强大。2. 沟通的艺术掌握“提示词工程”既然大模型是我们的“学者”那么如何向它清晰、准确地提问就成了一门学问。这就是提示词工程Prompt Engineering。2.1 提示词给大模型的“任务说明书”提示词就是你输入给大模型的那段文字。它的质量直接决定了输出的质量。一个糟糕的提示词就像模糊的需求文档得到的自然是驴唇不对马嘴的答案。基础原则清晰、具体、提供上下文坏例子“写点关于狗的东西。”太模糊好例子“以科普文章的风格为养宠新手写一段300字左右的介绍说明金毛寻回犬的性格特点、日常护理需求和适合的家庭环境。”2.2 进阶技巧思维链与角色扮演为了让大模型完成更复杂的任务开发者总结出许多有效的模式思维链Chain-of-Thought, CoT鼓励模型展示推理步骤。这对于数学、逻辑问题尤其有效。提示词“小明有5个苹果他给了小红2个又买了3个。请问他现在有几个苹果请一步步思考。”模型输出“首先小明最初有5个苹果。给出2个后剩余 5 - 2 3个。然后买了3个现在有 3 3 6个。所以小明现在有6个苹果。”角色扮演Role Playing为模型设定一个身份使其输出更符合特定风格。提示词“假设你是一位经验丰富的Python高级开发工程师请用专业但易懂的语言向一位初级开发者解释Python中的列表推导式并给出一个将列表中所有偶数平方的示例。”少样本学习Few-Shot Learning在提示词中提供几个输入-输出的例子让模型“照葫芦画瓢”。提示词将中文情感词转换为英文情感词。 输入高兴 输出happy 输入悲伤 输出sad 输入愤怒 输出angry 输入惊讶 输出提示词工程的核心就是通过精心设计的“说明书”将我们模糊的人类意图转化为大模型能够精确执行的指令。它是我们与AI“大脑”沟通的桥梁。3. 从被动应答到主动执行认识“Agent”如果大模型是“大脑”提示词是“指令”那么Agent智能体就是具备了“手”和“脚”的完整“机器人”。它不仅能思考还能行动。3.1 Agent的定义具备感知-思考-行动循环的自治系统一个Agent通常包含以下核心组件规划Planning分析目标拆解任务步骤。记忆Memory存储对话历史、工具调用结果、任务状态等。工具使用Tool Use调用外部API或函数来执行具体操作如搜索网页、查询数据库、执行代码、操作文件等。行动Action执行工具调用或生成最终响应。通俗比喻大模型本身是一个“智库”你问它“今天天气如何”它可能根据训练数据瞎猜一个。而一个集成了天气查询工具的Agent则会自动调用天气API获取实时数据再组织语言回答你。Agent让AI从“聊天机器人”变成了“任务执行者”。3.2 Agent的工作流程一个典型的Agent工作流程可以用以下伪代码表示# 伪代码展示Agent的核心循环逻辑 class SimpleAgent: def __init__(self, llm, tools): self.llm llm # 大模型负责思考 self.tools tools # 可用的工具列表如 {“search_web”, “calculator”, “execute_sql”} self.memory [] # 记忆存储历史 def run(self, user_input): # 1. 规划结合记忆决定下一步做什么 plan self.llm.think(f“用户说{user_input}。历史对话{self.memory}。可用工具{self.tools.keys()}。我应该怎么做”) # 2. 决策判断是直接回答还是调用工具 if plan.need_tool: # 3. 行动选择并调用合适的工具 tool_result self.tools[plan.tool_name].call(plan.tool_input) # 4. 记忆存储本次交互 self.memory.append((user_input, tool_result)) # 5. 再思考根据工具结果组织最终回复 final_response self.llm.think(f“工具调用结果{tool_result}。请据此回复用户。”) else: final_response self.llm.think(f“直接回复用户{user_input}”) self.memory.append((user_input, final_response)) return final_response现实中的AgentAutoGPT、BabyAGI是早期的实验性项目。现在LangChain、LlamaIndex等框架提供了构建Agent的高级抽象而像Dify、Coze等平台则让用户可以通过可视化方式组装Agent。4. Agent的“技能包”理解“Skill”与“Tool”Agent之所以能行动是因为它配备了“技能包”通常表现为Tool工具或Skill技能。这两个词在很多时候可以互换但细微处有区别。Tool工具更偏向于一个具体的、可执行的函数或API接口。它定义了输入、输出和执行逻辑。例子get_weather(city: str) - strsearch_web(query: str) - List[str],send_email(to, subject, body)。Skill技能可能是一个更高层次的抽象或者是一组相关Tools的集合用于完成一个更复杂的任务。有时也指Agent被训练出的某种特定能力。例子“数据可视化技能”可能包含了query_database,generate_chart,format_report等多个工具的组合。为Agent扩展一个Tool的示例概念性# 定义一个简单的计算器工具 def calculator(expression: str) - str: 计算一个数学表达式的结果。例如2 3 * 4 try: # 警告实际使用中直接eval有安全风险此处仅为示例 result eval(expression) return str(result) except Exception as e: return f“计算错误{e}” # 将工具注册给Agent my_agent.add_tool(“calculator”, calculator, description“用于计算数学表达式”) # 用户提问 response my_agent.run(“请计算一下(15 7) * 3 等于多少”) # Agent内部会决定调用calculator工具并返回结果66关键点Agent的能力边界完全由你赋予它的Tools决定。你想让它做什么就为它提供相应的工具。5. 解决大模型“知识短板”深入“RAG”回到大模型的局限之一缺乏最新、最专有的知识。RAGRetrieval-Augmented Generation检索增强生成就是为了解决这个问题而生的核心技术。5.1 RAG的原理外接一个“知识库”想象一下大模型是一个天才学生但课本训练数据是旧的。RAG的做法是在考试回答用户问题时允许他快速查阅一本最新的、定制化的“参考书”你的知识库然后结合课本的基础能力和参考书的具体知识来答题。工作流程索引Indexing将你的私有文档PDF、Word、网页、数据库等进行切片、向量化存入向量数据库如Chroma、Milvus、Pinecone。检索Retrieval当用户提问时将问题也向量化在向量数据库中搜索与之最相关的文档片段。增强Augmentation将检索到的相关片段作为上下文和用户问题一起组合成一个新的、信息更丰富的提示词送给大模型。生成Generation大模型基于这个“增强后”的提示词生成最终答案。5.2 一个简单的RAG代码示例使用LangChain# 这是一个高度简化的示例展示RAG的核心逻辑 from langchain_community.document_loaders import TextLoader from langchain_text_splitters import CharacterTextSplitter from langchain_community.vectorstores import Chroma from langchain_openai import OpenAIEmbeddings, ChatOpenAI # 1. 加载文档假设我们有一个知识文件 company_kb.txt loader TextLoader(“./company_kb.txt”) documents loader.load() # 2. 分割文档 text_splitter CharacterTextSplitter(chunk_size500, chunk_overlap50) texts text_splitter.split_documents(documents) # 3. 创建向量存储索引 embeddings OpenAIEmbeddings() # 需要OPENAI_API_KEY vectorstore Chroma.from_documents(texts, embeddings) # 4. 检索器 retriever vectorstore.as_retriever(search_kwargs{“k”: 3}) # 检索最相关的3个片段 # 5. 大模型 llm ChatOpenAI(model“gpt-3.5-turbo”) # 需要OPENAI_API_KEY # 6. RAG链检索 - 组合提示词 - 生成 from langchain_core.prompts import ChatPromptTemplate from langchain_core.runnables import RunnablePassthrough template “““请根据以下上下文回答用户的问题。 如果你不知道答案就说你不知道不要编造。 上下文 {context} 问题{question} 请给出有帮助的答案””” prompt ChatPromptTemplate.from_template(template) def format_docs(docs): return “\n\n”.join([doc.page_content for doc in docs]) rag_chain ( {“context”: retriever | format_docs, “question”: RunnablePassthrough()} | prompt | llm ) # 7. 提问 response rag_chain.invoke(“我们公司的年假政策是怎样的”) print(response.content) # 模型将基于 company_kb.txt 中的内容回答RAG的价值它让大模型能够“即插即用”地获取最新、最相关的知识同时保留了其强大的理解和生成能力是构建企业知识库问答、智能客服等场景的基石技术。6. 连接万物的协议初探“MCP”当我们构建复杂的Agent系统时会发现需要连接各种各样的工具和数据源数据库、API、文件系统、甚至其他软件如Figma、Jira。如果每个工具都需要为不同的Agent框架写一遍适配代码将是一场噩梦。MCPModel Context Protocol模型上下文协议就是为了解决这个“连接”问题而诞生的一个开放协议。你可以把它理解为AI世界的USB-C标准或蓝牙协议。6.2 MCP的核心思想标准化工具与数据的提供方式MCP定义了一套标准让任何服务器Server都可以以一种统一的方式向客户端Client如一个Agent系统声明“我这里有哪些工具Tools可用”、“我这里有哪些数据Resources可以读取”。MCP Server一个遵循MCP协议的程序它封装了对特定资源或工具的访问。例如可以有一个“GitHub MCP Server”提供search_issues、create_pr等工具一个“公司数据库MCP Server”提供查询员工信息的工具。MCP Client一个能够理解MCP协议的AI应用或框架如Claude Desktop、某些Agent平台。它可以动态发现并加载多个MCP Server提供的工具从而极大地扩展自身能力。MCP与普通Tool的区别普通Tool是硬编码在Agent应用里的新增或修改需要改动代码、重新部署。MCP Tool是“即插即用”的。你只需要启动一个MCP Server并在Client中配置其地址Client就能自动获取并使用该Server提供的所有工具无需修改Client本身的代码。一个简单的MCP概念对比传统方式 [你的Agent应用] --(硬编码)-- [工具A代码] [工具B代码] [工具C代码] MCP方式 [你的Agent应用 (MCP Client)] | (通过MCP协议发现和调用) v [GitHub Server] [数据库 Server] [天气API Server] (提供Git工具) (提供查询工具) (提供天气工具)目前状态MCP是一个由Anthropic公司推动的新兴协议旨在解决AI应用生态中的工具集成碎片化问题。它正在快速发展中有望成为未来AI基础设施层的重要标准。7. 串联一切构建AI“工作流”单个Agent或RAG可以处理简单任务。但对于复杂的业务场景例如分析周报数据 - 生成总结 - 邮件发送给经理 - 在项目管理工具中创建下周任务我们需要将多个步骤有序地组织起来。这就是AI工作流Workflow或智能体编排Agent Orchestration。7.1 工作流是什么工作流是一系列节点Node和边Edge组成的有向图。每个节点代表一个处理单元如调用大模型、执行RAG检索、运行代码、判断条件边代表数据流或控制流。核心节点类型LLM节点调用大模型。工具节点执行一个函数或API调用。RAG节点进行知识检索与生成。条件节点根据上一步结果决定下一步走向if/else。循环节点重复执行某些步骤。数据预处理/后处理节点格式化数据。7.2 工作流示例智能周报处理假设我们要构建一个自动处理周报邮件的工作流开始 | v [节点1读取邮件] - 获取原始周报文本 | v [节点2RAG检索] - 从公司知识库检索相关项目背景 | v [节点3LLM分析] - 结合背景分析周报内容提取关键成果、风险和下周计划 | v [条件节点] - 是否有高风险项 |是 |否 v v [节点4aLLM生成预警] [节点4bLLM生成普通总结] | | v v [节点5发送Slack消息] [节点5发送Slack消息] | | v v [节点6更新Jira任务] [节点6更新Jira任务] | v 结束实现平台现在有许多低代码/可视化平台支持拖拽构建这样的AI工作流例如Dify、LangFlow、Microsoft Copilot Studio等。它们降低了AI应用开发的门槛。8. 概念关系全景图与学习路径现在让我们把所有概念串联起来形成一张完整的地图[你的私有数据/实时API] ---(提供知识)--- [RAG / MCP Server] ^ ^ | | | (增强/工具) | (标准化接入) | | [用户问题] -- [提示词工程] -- [AI工作流/Agent] ---(能力扩展)--- [各种Skill/Tool] | v [大模型 (LLM)] | v [最终答案/执行结果]核心逻辑大模型LLM是核心引擎负责理解和生成。提示词工程是与引擎高效沟通的说明书。Agent是搭载了引擎并能通过Skill/Tool与环境交互的机器人。RAG是为引擎实时注入专有、最新知识的“外挂知识库”。MCP是为机器人连接各种Skill/Tool包括RAG的标准化“插槽”协议。工作流是编排多个引擎、机器人、知识库和工具完成复杂任务的“自动化流水线”。8.1 零基础学习路线建议如果你刚刚入门建议按以下顺序实践第一周熟悉大模型与提示词目标学会与ChatGPT、Claude等对话模型有效沟通。实践注册一个AI聊天产品尝试用不同的提示词完成总结、翻译、写作、编程等任务。体会“角色扮演”、“思维链”的效果。第二周动手实现第一个RAG应用目标理解“知识库大模型”的基本原理。实践使用Dify或LangChain的快速入门教程将自己的几篇文档TXT、PDF做成一个简单的问答机器人。感受从“通用模型”到“领域专家”的转变。第三周探索Agent与工具调用目标让AI从“说”到“做”。实践在Dify或Coze平台上尝试创建一个能查询天气、搜索新闻的Agent。了解Tool的定义和调用过程。第四周构建自动化工作流目标串联多个步骤解决实际问题。实践设计一个个人小工作流例如“每日早报生成”抓取指定新闻 - 用LLM总结 - 发送到你的邮箱或钉钉。使用上述可视化平台实现。进阶方向深入开发学习LangChain/LlamaIndex等开源框架用代码构建更灵活的系统。关注生态了解MCP等新兴协议看它们如何改变工具集成方式。研究前沿探索Agentic RAG让Agent自主决定何时、如何进行检索、多智能体协作等高级主题。AI技术的迭代日新月异但万变不离其宗。理解了大模型、提示词、Agent、Skill、RAG、MCP和工作流这些核心构件及其关系你就拥有了解读和运用未来新工具、新框架的“元能力”。记住最好的学习方式是动手选一个你最感兴趣的点从构建一个能运行的最小原型开始逐步迭代和扩展。
从大模型到智能体：AI应用核心概念与实战指南
发布时间：2026/7/28 4:33:21
最近在尝试将AI能力集成到自己的项目中时你是否也被“大模型”、“提示词”、“Agent”、“RAG”、“MCP”这些层出不穷的新概念搞得晕头转向网上资料要么过于学术化要么就是零散的代码片段缺乏一个从零到一、串联所有核心概念的完整认知地图。本文旨在为你彻底理清这些热门AI技术术语。我们将从最基础的大模型开始通过通俗的比喻和清晰的逻辑一步步拆解提示词、Agent、Skill、RAG、MCP和工作流并揭示它们之间的内在联系。无论你是刚接触AI的开发者还是希望将AI能力落地的产品经理读完本文后你不仅能理解每个概念“是什么”和“为什么”更能看清它们如何组合构建出真正智能的应用系统。1. 基石理解“大模型”是什么在深入其他概念之前我们必须先建立对大模型Large Language Model, LLM的正确认知。它是整个AI应用生态的“大脑”和“算力核心”。1.1 大模型的本质一个超级“文本概率预测器”你可以把大模型想象成一个博览群书、记忆力超群的“学者”。它通过在海量互联网文本书籍、文章、代码、网页等上进行训练学会了语言的统计规律。当你向它输入一段文字称为“提示”或Prompt时它的核心任务就是根据上文预测下一个最可能出现的词是什么并如此循环生成连贯的文本。它不是什么它不是数据库不会“存储”知识它也不是搜索引擎不能“检索”实时信息。它的“知识”来源于训练数据并以参数一种复杂的数学模式的形式存在。它的能力得益于庞大的参数规模千亿甚至万亿级它展现出令人惊叹的泛化能力能够进行对话、翻译、总结、写代码、逻辑推理等。OpenAI的GPT系列、Anthropic的Claude、Google的Gemini、Meta的Llama系列都是典型代表。它的局限知识截止性模型训练完成后其知识就固定了。例如GPT-4的知识截止到2023年无法知晓之后的事件。幻觉Hallucination模型可能会生成看似合理但完全错误或虚构的信息。缺乏实时性与私域知识无法获取训练数据之外的最新信息或你公司内部的私有文档内容。简单示例与大模型对话# 这是一个概念性示例实际调用需要API Key # 假设我们调用一个名为“智脑”的大模型API response 智脑.generate(法国的首都是哪里) print(response) # 预期输出法国的首都是巴黎。理解了这些局限我们就能明白为什么需要后续的技术来“增强”或“引导”这个大模型让它变得更可靠、更强大。2. 沟通的艺术掌握“提示词工程”既然大模型是我们的“学者”那么如何向它清晰、准确地提问就成了一门学问。这就是提示词工程Prompt Engineering。2.1 提示词给大模型的“任务说明书”提示词就是你输入给大模型的那段文字。它的质量直接决定了输出的质量。一个糟糕的提示词就像模糊的需求文档得到的自然是驴唇不对马嘴的答案。基础原则清晰、具体、提供上下文坏例子“写点关于狗的东西。”太模糊好例子“以科普文章的风格为养宠新手写一段300字左右的介绍说明金毛寻回犬的性格特点、日常护理需求和适合的家庭环境。”2.2 进阶技巧思维链与角色扮演为了让大模型完成更复杂的任务开发者总结出许多有效的模式思维链Chain-of-Thought, CoT鼓励模型展示推理步骤。这对于数学、逻辑问题尤其有效。提示词“小明有5个苹果他给了小红2个又买了3个。请问他现在有几个苹果请一步步思考。”模型输出“首先小明最初有5个苹果。给出2个后剩余 5 - 2 3个。然后买了3个现在有 3 3 6个。所以小明现在有6个苹果。”角色扮演Role Playing为模型设定一个身份使其输出更符合特定风格。提示词“假设你是一位经验丰富的Python高级开发工程师请用专业但易懂的语言向一位初级开发者解释Python中的列表推导式并给出一个将列表中所有偶数平方的示例。”少样本学习Few-Shot Learning在提示词中提供几个输入-输出的例子让模型“照葫芦画瓢”。提示词将中文情感词转换为英文情感词。 输入高兴 输出happy 输入悲伤 输出sad 输入愤怒 输出angry 输入惊讶 输出提示词工程的核心就是通过精心设计的“说明书”将我们模糊的人类意图转化为大模型能够精确执行的指令。它是我们与AI“大脑”沟通的桥梁。3. 从被动应答到主动执行认识“Agent”如果大模型是“大脑”提示词是“指令”那么Agent智能体就是具备了“手”和“脚”的完整“机器人”。它不仅能思考还能行动。3.1 Agent的定义具备感知-思考-行动循环的自治系统一个Agent通常包含以下核心组件规划Planning分析目标拆解任务步骤。记忆Memory存储对话历史、工具调用结果、任务状态等。工具使用Tool Use调用外部API或函数来执行具体操作如搜索网页、查询数据库、执行代码、操作文件等。行动Action执行工具调用或生成最终响应。通俗比喻大模型本身是一个“智库”你问它“今天天气如何”它可能根据训练数据瞎猜一个。而一个集成了天气查询工具的Agent则会自动调用天气API获取实时数据再组织语言回答你。Agent让AI从“聊天机器人”变成了“任务执行者”。3.2 Agent的工作流程一个典型的Agent工作流程可以用以下伪代码表示# 伪代码展示Agent的核心循环逻辑 class SimpleAgent: def __init__(self, llm, tools): self.llm llm # 大模型负责思考 self.tools tools # 可用的工具列表如 {“search_web”, “calculator”, “execute_sql”} self.memory [] # 记忆存储历史 def run(self, user_input): # 1. 规划结合记忆决定下一步做什么 plan self.llm.think(f“用户说{user_input}。历史对话{self.memory}。可用工具{self.tools.keys()}。我应该怎么做”) # 2. 决策判断是直接回答还是调用工具 if plan.need_tool: # 3. 行动选择并调用合适的工具 tool_result self.tools[plan.tool_name].call(plan.tool_input) # 4. 记忆存储本次交互 self.memory.append((user_input, tool_result)) # 5. 再思考根据工具结果组织最终回复 final_response self.llm.think(f“工具调用结果{tool_result}。请据此回复用户。”) else: final_response self.llm.think(f“直接回复用户{user_input}”) self.memory.append((user_input, final_response)) return final_response现实中的AgentAutoGPT、BabyAGI是早期的实验性项目。现在LangChain、LlamaIndex等框架提供了构建Agent的高级抽象而像Dify、Coze等平台则让用户可以通过可视化方式组装Agent。4. Agent的“技能包”理解“Skill”与“Tool”Agent之所以能行动是因为它配备了“技能包”通常表现为Tool工具或Skill技能。这两个词在很多时候可以互换但细微处有区别。Tool工具更偏向于一个具体的、可执行的函数或API接口。它定义了输入、输出和执行逻辑。例子get_weather(city: str) - strsearch_web(query: str) - List[str],send_email(to, subject, body)。Skill技能可能是一个更高层次的抽象或者是一组相关Tools的集合用于完成一个更复杂的任务。有时也指Agent被训练出的某种特定能力。例子“数据可视化技能”可能包含了query_database,generate_chart,format_report等多个工具的组合。为Agent扩展一个Tool的示例概念性# 定义一个简单的计算器工具 def calculator(expression: str) - str: 计算一个数学表达式的结果。例如2 3 * 4 try: # 警告实际使用中直接eval有安全风险此处仅为示例 result eval(expression) return str(result) except Exception as e: return f“计算错误{e}” # 将工具注册给Agent my_agent.add_tool(“calculator”, calculator, description“用于计算数学表达式”) # 用户提问 response my_agent.run(“请计算一下(15 7) * 3 等于多少”) # Agent内部会决定调用calculator工具并返回结果66关键点Agent的能力边界完全由你赋予它的Tools决定。你想让它做什么就为它提供相应的工具。5. 解决大模型“知识短板”深入“RAG”回到大模型的局限之一缺乏最新、最专有的知识。RAGRetrieval-Augmented Generation检索增强生成就是为了解决这个问题而生的核心技术。5.1 RAG的原理外接一个“知识库”想象一下大模型是一个天才学生但课本训练数据是旧的。RAG的做法是在考试回答用户问题时允许他快速查阅一本最新的、定制化的“参考书”你的知识库然后结合课本的基础能力和参考书的具体知识来答题。工作流程索引Indexing将你的私有文档PDF、Word、网页、数据库等进行切片、向量化存入向量数据库如Chroma、Milvus、Pinecone。检索Retrieval当用户提问时将问题也向量化在向量数据库中搜索与之最相关的文档片段。增强Augmentation将检索到的相关片段作为上下文和用户问题一起组合成一个新的、信息更丰富的提示词送给大模型。生成Generation大模型基于这个“增强后”的提示词生成最终答案。5.2 一个简单的RAG代码示例使用LangChain# 这是一个高度简化的示例展示RAG的核心逻辑 from langchain_community.document_loaders import TextLoader from langchain_text_splitters import CharacterTextSplitter from langchain_community.vectorstores import Chroma from langchain_openai import OpenAIEmbeddings, ChatOpenAI # 1. 加载文档假设我们有一个知识文件 company_kb.txt loader TextLoader(“./company_kb.txt”) documents loader.load() # 2. 分割文档 text_splitter CharacterTextSplitter(chunk_size500, chunk_overlap50) texts text_splitter.split_documents(documents) # 3. 创建向量存储索引 embeddings OpenAIEmbeddings() # 需要OPENAI_API_KEY vectorstore Chroma.from_documents(texts, embeddings) # 4. 检索器 retriever vectorstore.as_retriever(search_kwargs{“k”: 3}) # 检索最相关的3个片段 # 5. 大模型 llm ChatOpenAI(model“gpt-3.5-turbo”) # 需要OPENAI_API_KEY # 6. RAG链检索 - 组合提示词 - 生成 from langchain_core.prompts import ChatPromptTemplate from langchain_core.runnables import RunnablePassthrough template “““请根据以下上下文回答用户的问题。 如果你不知道答案就说你不知道不要编造。 上下文 {context} 问题{question} 请给出有帮助的答案””” prompt ChatPromptTemplate.from_template(template) def format_docs(docs): return “\n\n”.join([doc.page_content for doc in docs]) rag_chain ( {“context”: retriever | format_docs, “question”: RunnablePassthrough()} | prompt | llm ) # 7. 提问 response rag_chain.invoke(“我们公司的年假政策是怎样的”) print(response.content) # 模型将基于 company_kb.txt 中的内容回答RAG的价值它让大模型能够“即插即用”地获取最新、最相关的知识同时保留了其强大的理解和生成能力是构建企业知识库问答、智能客服等场景的基石技术。6. 连接万物的协议初探“MCP”当我们构建复杂的Agent系统时会发现需要连接各种各样的工具和数据源数据库、API、文件系统、甚至其他软件如Figma、Jira。如果每个工具都需要为不同的Agent框架写一遍适配代码将是一场噩梦。MCPModel Context Protocol模型上下文协议就是为了解决这个“连接”问题而诞生的一个开放协议。你可以把它理解为AI世界的USB-C标准或蓝牙协议。6.2 MCP的核心思想标准化工具与数据的提供方式MCP定义了一套标准让任何服务器Server都可以以一种统一的方式向客户端Client如一个Agent系统声明“我这里有哪些工具Tools可用”、“我这里有哪些数据Resources可以读取”。MCP Server一个遵循MCP协议的程序它封装了对特定资源或工具的访问。例如可以有一个“GitHub MCP Server”提供search_issues、create_pr等工具一个“公司数据库MCP Server”提供查询员工信息的工具。MCP Client一个能够理解MCP协议的AI应用或框架如Claude Desktop、某些Agent平台。它可以动态发现并加载多个MCP Server提供的工具从而极大地扩展自身能力。MCP与普通Tool的区别普通Tool是硬编码在Agent应用里的新增或修改需要改动代码、重新部署。MCP Tool是“即插即用”的。你只需要启动一个MCP Server并在Client中配置其地址Client就能自动获取并使用该Server提供的所有工具无需修改Client本身的代码。一个简单的MCP概念对比传统方式 [你的Agent应用] --(硬编码)-- [工具A代码] [工具B代码] [工具C代码] MCP方式 [你的Agent应用 (MCP Client)] | (通过MCP协议发现和调用) v [GitHub Server] [数据库 Server] [天气API Server] (提供Git工具) (提供查询工具) (提供天气工具)目前状态MCP是一个由Anthropic公司推动的新兴协议旨在解决AI应用生态中的工具集成碎片化问题。它正在快速发展中有望成为未来AI基础设施层的重要标准。7. 串联一切构建AI“工作流”单个Agent或RAG可以处理简单任务。但对于复杂的业务场景例如分析周报数据 - 生成总结 - 邮件发送给经理 - 在项目管理工具中创建下周任务我们需要将多个步骤有序地组织起来。这就是AI工作流Workflow或智能体编排Agent Orchestration。7.1 工作流是什么工作流是一系列节点Node和边Edge组成的有向图。每个节点代表一个处理单元如调用大模型、执行RAG检索、运行代码、判断条件边代表数据流或控制流。核心节点类型LLM节点调用大模型。工具节点执行一个函数或API调用。RAG节点进行知识检索与生成。条件节点根据上一步结果决定下一步走向if/else。循环节点重复执行某些步骤。数据预处理/后处理节点格式化数据。7.2 工作流示例智能周报处理假设我们要构建一个自动处理周报邮件的工作流开始 | v [节点1读取邮件] - 获取原始周报文本 | v [节点2RAG检索] - 从公司知识库检索相关项目背景 | v [节点3LLM分析] - 结合背景分析周报内容提取关键成果、风险和下周计划 | v [条件节点] - 是否有高风险项 |是 |否 v v [节点4aLLM生成预警] [节点4bLLM生成普通总结] | | v v [节点5发送Slack消息] [节点5发送Slack消息] | | v v [节点6更新Jira任务] [节点6更新Jira任务] | v 结束实现平台现在有许多低代码/可视化平台支持拖拽构建这样的AI工作流例如Dify、LangFlow、Microsoft Copilot Studio等。它们降低了AI应用开发的门槛。8. 概念关系全景图与学习路径现在让我们把所有概念串联起来形成一张完整的地图[你的私有数据/实时API] ---(提供知识)--- [RAG / MCP Server] ^ ^ | | | (增强/工具) | (标准化接入) | | [用户问题] -- [提示词工程] -- [AI工作流/Agent] ---(能力扩展)--- [各种Skill/Tool] | v [大模型 (LLM)] | v [最终答案/执行结果]核心逻辑大模型LLM是核心引擎负责理解和生成。提示词工程是与引擎高效沟通的说明书。Agent是搭载了引擎并能通过Skill/Tool与环境交互的机器人。RAG是为引擎实时注入专有、最新知识的“外挂知识库”。MCP是为机器人连接各种Skill/Tool包括RAG的标准化“插槽”协议。工作流是编排多个引擎、机器人、知识库和工具完成复杂任务的“自动化流水线”。8.1 零基础学习路线建议如果你刚刚入门建议按以下顺序实践第一周熟悉大模型与提示词目标学会与ChatGPT、Claude等对话模型有效沟通。实践注册一个AI聊天产品尝试用不同的提示词完成总结、翻译、写作、编程等任务。体会“角色扮演”、“思维链”的效果。第二周动手实现第一个RAG应用目标理解“知识库大模型”的基本原理。实践使用Dify或LangChain的快速入门教程将自己的几篇文档TXT、PDF做成一个简单的问答机器人。感受从“通用模型”到“领域专家”的转变。第三周探索Agent与工具调用目标让AI从“说”到“做”。实践在Dify或Coze平台上尝试创建一个能查询天气、搜索新闻的Agent。了解Tool的定义和调用过程。第四周构建自动化工作流目标串联多个步骤解决实际问题。实践设计一个个人小工作流例如“每日早报生成”抓取指定新闻 - 用LLM总结 - 发送到你的邮箱或钉钉。使用上述可视化平台实现。进阶方向深入开发学习LangChain/LlamaIndex等开源框架用代码构建更灵活的系统。关注生态了解MCP等新兴协议看它们如何改变工具集成方式。研究前沿探索Agentic RAG让Agent自主决定何时、如何进行检索、多智能体协作等高级主题。AI技术的迭代日新月异但万变不离其宗。理解了大模型、提示词、Agent、Skill、RAG、MCP和工作流这些核心构件及其关系你就拥有了解读和运用未来新工具、新框架的“元能力”。记住最好的学习方式是动手选一个你最感兴趣的点从构建一个能运行的最小原型开始逐步迭代和扩展。
