Auto-sync: 2026-04-28 00:02

wiki/sources/llms-rag-ai-agent-三个到底什么区别.md

@@ -1,54 +1,58 @@
----
-title: "LLMs、RAG、AI Agent 三个到底什么区别？"
-type: source
-tags: [ai-agent, llm, rag]
-date: 2025-11-19
-sources: []
-last_updated: 2025-04-23
----
-
-## Source File
-- [[AI/LLMs、RAG、AI Agent 三个到底什么区别？]]
-
-## Summary（用中文描述）
-- 核心主题：LLM、RAG、AI Agent 三者的定义、作用层面及相互关系
-- 问题域：AI 应用开发入门者对这三个核心概念的混淆与误用
-- 方法/机制：分层对比——LLM=思考（天才大脑），RAG=认知（记忆系统），Agent=执行（行动系统）；三者非竞争技术，而是在不同层面互补
-- 结论/价值：未来不在于选择其一，而在于将三者结合架构设计
-
-## Key Claims（用中文描述）
-- LLM、RAG、AI Agent 不是竞争技术，而是在三个不同层面满足不同实际场景的能力展示，大部分人的使用方式都是错误的
-- LLM 全称大语言模型，是 AI 应用的"天才大脑"，在思考方面非常出色，但对当前情况一无所知——知识有截止日期
-- RAG（检索增强生成）是记忆系统，将静态的 LLM 知识链接到外部实时知识库，降低幻觉、提供可引用来源
-- AI Agent 是围绕 LLM 构建的循环控制系统，具备感知目标、规划步骤、执行动作、反思结果的行动能力
-- 真正的生产系统需要叠加三者：用 LLM 进行推理，用 RAG 确保准确性，用 Agent 框架实现自主性
-
-## Key Quotes
-> "LLM 在思考方面非常出色，但对当前情况却一无所知" — 核心局限
-> "RAG 就像是给那个'全能天才大脑'配备了一位随身图书馆助理" — RAG 的比喻
-> "LLM 和 RAG 都不具备行动能力，有脑，有手，但是不知道怎么走路" — Agent 的必要性
-> "未来不在于选择其一，而在于将三者结合起来进行架构设计" — 核心结论
-
-## Key Concepts
-- [[Large Language Model]]：大语言模型，AI 应用的"天才大脑"，负责推理与生成，但知识有截止日期
-- [[RAG]]：检索增强生成（Retrieval-Augmented Generation），将 LLM 链接到外部知识库，提供实时信息和可引用来源，降低幻觉
-- [[AI Agent]]：AI 智能体，围绕 LLM 构建的循环控制系统，感知→规划→执行→反思，实现真正的自主行动能力
-- [[ReAct Pattern]]：AI Agent 的推理-行动模式，通过观察结果迭代优化下一步行动
-
-## Key Entities
-- [[shenwei]]：微信公众号作者，本文原创发布于 2025-11-19
-
-## Connections
-- [[Large Language Model]] ← 核心引擎 ← [[AI Agent]]
-- [[RAG]] ← 提供准确性 ← [[AI Agent]]
-- [[AI Agent]] ← 扩展能力 → [[ReAct Pattern]]
-- [[Large Language Model]] ← 知识局限 → 需要 [[RAG]] 补充实时信息
-
-## Contradictions
-- 无已知冲突
-
-## Related Sources
-- [[rag从入门到精通系列1-基础rag]] — RAG 基础入门教程
-- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]] — LLM/RAG 相关术语总结
-- [[designing-for-agentic-ai]] — Agentic AI 设计原则
-- [[n8n-full-tutorial-building-ai-agents-in-2025-for-beginners]] — AI Agent 构建入门
+---
+title: "LLMs、RAG、AI Agent 三个到底什么区别？"
+type: source
+tags: [ai-agent, llm, rag]
+sources: []
+last_updated: 2025-11-19
+---
+
+## Source File
+- [[AI/LLMs、RAG、AI Agent 三个到底什么区别？]]
+
+## Summary（用中文描述）
+- 核心主题：LLM、RAG、AI Agent 三者的定义区别与协同关系
+- 问题域：AI 应用开发入门基础知识，澄清常见误解
+- 方法/机制：作者以类比手法，将 LLM 比作"天才大脑"、RAG 比作"随身图书馆助理"、AI Agent 比作具备行动能力的循环控制系统，层层递进解释三者关系
+- 结论/价值：三者并非竞争技术，而是在不同层面互补协同——LLM 用于思考，RAG 用于认知，Agent 用于执行；生产系统应将三者结合使用
+
+## Key Claims（用中文描述）
+- LLM（大语言模型）是 AI 应用的"天才大脑"，在思考方面出色，但对当前情况一无所知
+- RAG（检索增强生成）是连接 LLM 与外部实时知识库的"记忆系统"，无需重新训练即可获取最新信息、消除幻觉
+- AI Agent 是围绕 LLM 构建的循环控制系统，具备感知目标、规划步骤、执行动作、反思结果的行动能力
+- 三者并非竞争技术，而是在不同层面满足不同实际场景的能力展示；生产系统应叠加使用三者
+
+## Key Quotes
+> "LLM 在思考方面非常出色，但对当前情况却一无所知。" — 核心矛盾点
+> "RAG 就像是给那个'全能天才大脑'配备了一位随身图书馆助理。" — RAG 的定位
+> "AI Agent 也就是智能体，它就是围绕大脑 LLM 构建一个循环控制系统，能够感知目标、规划步骤、执行动作、并能够反思结果。" — Agent 的本质
+> "用 LLM 进行推理，用 RAG 确保准确性，以及用 Agent 框架实现自主性。" — 生产系统组合策略
+
+## Key Concepts
+- [[LLM]]：大语言模型（Large Language Model），AI 应用的"天才大脑"，基于过去知识训练，具备强大推理能力但知识有截止日期
+- [[RAG]]：检索增强生成（Retrieval-Augmented Generation），为 LLM 提供外部知识库访问能力的"记忆系统"，包含检索和增强生成两个关键步骤
+- [[AI Agent]]：AI 智能体，围绕 LLM 构建的循环控制系统，包含获取任务、扫描场景、仔细思考、采取行动、观察迭代五个基本步骤
+- [[幻觉]]：LLM 基于训练数据生成看似合理但实际错误或虚构的信息，RAG 通过提供事实依据可显著减少此类风险
+
+## Key Entities
+- ChatGPT：OpenAI 开发的底座大模型代表，用作 LLM 示例
+- DeepSeek、Qwen：中国开源底座大模型代表
+- Midjourney、Stable Diffusion：专有模型代表（绘画领域），专有模型本质上是让"天才大脑"在某一方面做专项训练
+- Claude：专有模型代表（编程领域）
+- [[向量数据库]]：RAG 系统中存储外部知识的常用基础设施
+
+## Connections
+- [[LLM]] ← 思考核心 ← [[AI Agent]]
+- [[RAG]] ← 提供实时信息 ← [[LLM]]
+- [[AI Agent]] ← 循环控制 ← [[LLM]]
+- [[RAG]] ← 减少幻觉 ← [[LLM]]
+- [[AI Agent]] ← 使用工具/API ← [[向量数据库]]
+
+## Contradictions
+- 无已知冲突内容
+
+## AI Agent 五步循环
+1. 获取任务（Goal）：接收用户指令或自动触发
+2. 扫描场景（Perceive）：感知环境，访问可用资源
+3. 仔细思考（Think）：由推理模型驱动，分析任务并制定行动计划
+4. 采取行动（Act）：调用工具（API、代码、数据库等）作用于外部世界
+5. 观察并迭代（Observe）：将结果加入上下文/记忆，循环回到第3步