---
title: "LLMs、RAG、AI Agent 三个到底什么区别？"
type: source
tags: [llm, rag, ai-agent, ai-fundamentals]
date: 2025-11-19
---

## Source File
- [[raw/AI/LLMs、RAG、AI Agent 三个到底什么区别？.md]]

## Summary
- 核心主题：LLMs、RAG、AI Agent 三个核心AI概念的层次区别与协同关系
- 问题域：澄清AI应用领域对这三个术语的混淆——它们不是竞争技术，而是不同层面的能力展示
- 方法/机制：LLM（天才大脑/思考）→ RAG（随身图书馆助理/信息）→ AI Agent（行动者/执行）的三层架构
- 结论/价值：真正生产系统叠加三者——LLM推理、RAG确保准确性、Agent框架实现自主性

## Key Claims
- LLM 是"天才大脑"，学习了过去所有知识，擅长思考但对当前情况一无所知
- RAG 是"记忆系统"，将静态LLM链接到外部实时知识库，解决知识时效性问题
- AI Agent 是"行动者"，围绕LLM构建循环控制系统（感知→规划→执行→反思）
- 三者不是竞争技术，而是在三个不同层面满足不同场景的能力展示
- RAG 通过检索+增强生成两步降低LLM幻觉，提供事实依据与来源引用
- AI Agent 五步循环：获取任务→扫描场景→仔细思考→采取行动→观察迭代

## Key Quotes
> "LLM 在思考方面非常出色，但对当前情况却一无所知"
> "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"
> "AI Agent 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"

## 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限制
- [[RAG]]：Retrieval-Augmented Generation，检索增强生成，给LLM配备"随身图书馆助理"，解决知识时效性问题
- [[AI-Agent]]：智能体，围绕LLM构建循环控制系统，实现感知→规划→执行→反思的自主行动
- [[幻觉问题]]：LLM生成看似合理但实际错误答案的问题，RAG通过提供事实依据降低幻觉
- [[向量数据库]]：RAG系统中存储外部知识、实现语义检索的核心组件
- [[NL2SQL]]：自然语言到SQL，使Agent能直接查询数据库解答分析性问题
- [[AI-Agent-五步循环]]：获取任务→扫描场景→仔细思考→采取行动→观察并迭代

## Key Entities
- [[DeepSeek]]：国产底座通用大模型
- [[ChatGPT]]：OpenAI通用大模型
- [[Qwen]]：阿里通义千问底座通用大模型
- [[Midjourney]]：专有绘画模型
- [[Claude]]：Anthropic编程模型

## Connections
- [[LLM]] ← 核心 → [[RAG]]
- [[LLM]] ← 核心 → [[AI-Agent]]
- [[RAG]] ← 提供信息 → [[AI-Agent]]
- [[向量数据库]] ← 支撑 → [[RAG]]
- [[幻觉问题]] ← 解决 → [[RAG]]

## Contradictions