53 lines
2.5 KiB
Markdown
53 lines
2.5 KiB
Markdown
---
|
||
title: "LLMs、RAG、AI Agent 三个到底什么区别？"
|
||
type: source
|
||
tags: [llm, rag, ai-agent]
|
||
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：LLM（大型语言模型）、RAG（检索增强生成）、AI Agent（人工智能代理）三者区别
|
||
- 问题域：AI 应用开发基础概念区分
|
||
- 方法/机制：
|
||
- LLM = "天才大脑"，擅长思考但对当前情况无知
|
||
- RAG = "随身图书馆助理"，为 LLM 提供实时外部知识
|
||
- AI Agent = 行动系统，感知→规划→执行→反思的循环
|
||
- 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组合，未来架构应将三者结合
|
||
|
||
## Key Claims
|
||
- LLM 只能回答训练数据截止时间之前的问题，对实时信息一无所知
|
||
- RAG 通过检索外部知识库为 LLM 提供实时信息，极大降低幻觉
|
||
- AI Agent 通过五步循环（获取任务→扫描场景→思考→行动→迭代）实现自主决策和执行
|
||
- 最佳实践：LLM 负责推理，RAG 确保准确性，Agent 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。" — 作者观点
|
||
> "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。" — 作者类比
|
||
> "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。" — 作者定义
|
||
> "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。用于思考的 LLMs，用于认知的 RAG，用于执行的 Agent。" — 核心结论
|
||
|
||
## Key Concepts
|
||
- [[LLM]]：大型语言模型，AI 应用的"天才大脑"
|
||
- [[RAG]]：检索增强生成，为 LLM 提供外部实时知识的机制
|
||
- [[AI代理]]：具备自主决策和任务执行能力的 AI 系统
|
||
- [[向量数据库]]：RAG 系统中存储和检索知识的技术
|
||
- [[NL2SQL]]：自然语言转 SQL，使 Agent 能查询数据库
|
||
|
||
## Key Entities
|
||
- [[ChatGPT]]：OpenAI 开发的底座大模型
|
||
- [[DeepSeek]]：中国开发的大语言模型
|
||
- [[Qwen]]：阿里云开发的大语言模型
|
||
- [[Midjourney]]：专用于图像生成的 AI 模型
|
||
- [[Stable Diffusion]]：开源图像生成模型
|
||
|
||
## Connections
|
||
- [[LLM]] ← depends_on ← [[RAG]]
|
||
- [[RAG]] ← provides_context ← [[向量数据库]]
|
||
- [[AI代理]] ← uses ← [[LLM]]
|
||
- [[AI代理]] ← uses ← [[RAG]]
|
||
|
||
## Contradictions
|
||
- （暂无冲突记录） |