---
title: "LLMs、RAG、AI Agent 三个到底什么区别？"
type: source
tags: [llm, rag, ai-agent, ai-basics]
sources: ["https://mp.weixin.qq.com/s/8B_Phrjz_Mlvpe7vJ3maPA"]
last_updated: 2025-11-19
---

## Summary

- 核心主题：LLMs、RAG、AI Agent三个核心AI概念的定义与区别
- 问题域：AI应用开发者必须掌握的基础概念澄清
- 方法/机制：分层解析——LLM是思考、RAG是信息获取、AI Agent是行动执行
- 结论/价值：三者不是竞争技术，而是在不同层面满足不同场景的能力展示，应结合使用

## Key Claims

- LLM（大语言模型）是AI应用的"天才大脑"，但知识有时间节点，无法获取实时信息
- RAG（检索增强生成）是记忆系统，将LLM链接到外部实时知识库，解决幻觉和知识时效问题
- AI Agent（智能体）是循环控制系统，感知目标、规划步骤、执行动作、反思结果
- 真正生产系统需要三者结合：LLM推理+RAG准确性+Agent自主性

## Key Quotes

> "它们并不是竞争技术，而是在三个不同层面，满足不同实际场景的能力展示" — 核心澄清

> "LLM在思考方面非常出色，但对当前情况却一无所知" — LLM局限性

> "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定义

> "用LLM进行推理，用RAG确保准确性，用Agent框架实现自主性" — 三者关系

## Key Concepts

- [[LLM]]（Large Language Model，大语言模型）：AI应用的天才大脑，擅长思考但知识有时效性
- [[RAG]]（Retrieval-Augmented Generation，检索增强生成）：将静态LLM链接到外部实时知识库的记忆系统
- [[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
- [[检索增强生成]]：检索（Retrieval）+ 增强生成（Augmented Generation）两步流程
- [[幻觉问题]]：LLM生成看似合理但实际错误答案的问题
- [[上下文Context]]：RAG将检索结果作为上下文输入给LLM

## Key Entities

- [[ChatGPT]]：底座通用大模型
- [[DeepSeek]]：底座通用大模型
- [[Qwen]]：底座通用大模型
- [[Midjourney]]：专有绘画模型
- [[Stable Diffusion]]：专有绘画模型
- [[Claude]]：编程专有模型

## Connections

- [[LLM]] ← 提供者 ← [[思考能力]]
- [[RAG]] ← 提供者 ← [[实时信息]]
- [[AI Agent]] ← 提供者 ← [[行动能力]]
- [[LLM]] ← 扩展 ← [[RAG]]
- [[LLM]] ← 驱动 ← [[AI Agent]]
- [[AI Agent]] ← 依赖 ← [[LLM]]
- [[AI Agent]] ← 依赖 ← [[RAG]]

## Contradictions

- 与单一技术万能论冲突：
  - 冲突点：是否需要多种技术结合
  - 当前观点：三者结合才能构建完整AI应用
  - 对方观点：单一LLM可以解决所有问题