50 lines
2.9 KiB
Markdown
50 lines
2.9 KiB
Markdown
---
|
||
title: "LLM、RAG、AI Agent 三者区别详解"
|
||
type: source
|
||
tags: ['LLM', 'RAG', 'AI Agent', 'AI', '入门', '概念区分']
|
||
date: 2025-11-19
|
||
source: https://mp.weixin.qq.com/s/
|
||
author: AI工程化
|
||
---
|
||
|
||
## Source File
|
||
- [[raw/AI/LLMs、RAG、AI Agent 三个到底什么区别？.md]]
|
||
|
||
## Summary
|
||
- 核心主题：用通俗比喻解释 LLM、RAG、AI Agent 三个核心 AI 应用概念的区别与关系
|
||
- 问题域：初入 AI 应用的开发者被这三个术语混淆，不理解它们是互补关系而非竞争关系
|
||
- 方法/机制：比喻法——LLM 是"天才大脑"、RAG 是"随身图书馆助理"、AI Agent 是"能走能想能查的完整行动系统"
|
||
- 结论/价值：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；未来架构=LLM(推理)+RAG(准确性)+Agent(自主性)
|
||
|
||
## Key Claims
|
||
- **LLM（天才大脑）**：学习了过去所有知识，能回答问题，但知识有截止日期，不知当前信息
|
||
- 底座模型：ChatGPT、DeepSeek、Qwen（通用）
|
||
- 专有模型：Midjourney（绘画）、Claude（编程）等（专项训练）
|
||
- **RAG（检索增强生成）= 随身图书馆助理**：将静态 LLM 链接到外部实时知识库，解决知识时效性问题
|
||
- 流程：用户提问 → 检索外部知识库 → 将相关 chunk+原始问题输入 LLM → 基于上下文生成答案
|
||
- 优势：知识更新无需重新训练、消歧义、引用来源
|
||
- **AI Agent（智能体）**：有脑+有信息+有行动能力，构建"感知→规划→执行→反思"循环控制系统
|
||
- 五步循环：获取任务→扫描场景→仔细思考→采取行动→观察迭代
|
||
- RAG 提供给 Agent "借书证"，使其立足于事实而非幻觉
|
||
- 三者关系：LLM=思考，RAG=认知（准确信息），Agent=执行，三者叠加构成完整生产系统
|
||
|
||
## 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。"
|
||
> "用 LLM 进行推理，用 RAG 确保准确性，用 Agent 框架实现自主性。"
|
||
|
||
## Key Concepts
|
||
- [[LLM]]：大语言模型，AI 应用的"天才大脑"，负责推理和生成
|
||
- [[RAG]]（检索增强生成）：解决 LLM 知识时效性问题，为模型提供外部实时知识查询能力
|
||
- [[AI Agent]]：智能体，感知-规划-执行-反思的闭环自主系统
|
||
- [[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
|
||
- [[三层AI架构]]：LLM(思考层)+RAG(知识层)+Agent(行动层)，三者缺一不可
|
||
|
||
## Connections
|
||
- [[AI Agent]] ← uses ← [[RAG]]（Agent 通过 RAG 获取实时信息）
|
||
- [[AI Agent]] ← uses ← [[LLM]]（Agent 的核心推理引擎）
|
||
- [[RAG]] ← augments ← [[LLM]]（RAG 扩展 LLM 的知识边界）
|
||
|
||
## Contradictions
|
||
- 常见误解：认为三者择一使用。实际上生产级系统三者叠加，缺一不可
|