---
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