55 lines
3.1 KiB
Markdown
55 lines
3.1 KiB
Markdown
---
|
||
title: "LLMs、RAG、AI Agent 三个到底什么区别？"
|
||
type: source
|
||
tags: [ai-agent, llm, rag]
|
||
date: 2025-11-19
|
||
sources: []
|
||
last_updated: 2025-04-23
|
||
---
|
||
|
||
## 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、作用层面及相互关系
|
||
- 问题域：AI 应用开发入门者对这三个核心概念的混淆与误用
|
||
- 方法/机制：分层对比——LLM=思考（天才大脑），RAG=认知（记忆系统），Agent=执行（行动系统）；三者非竞争技术，而是在不同层面互补
|
||
- 结论/价值：未来不在于选择其一，而在于将三者结合架构设计
|
||
|
||
## Key Claims（用中文描述）
|
||
- LLM、RAG、AI Agent 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，大部分人的使用方式都是错误的
|
||
- LLM 全称大语言模型，是 AI 应用的"天才大脑"，在思考方面非常出色，但对当前情况一无所知——知识有截止日期
|
||
- RAG（检索增强生成）是记忆系统，将静态的 LLM 知识链接到外部实时知识库，降低幻觉、提供可引用来源
|
||
- 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
|
||
- 真正的生产系统需要叠加三者：用 LLM 进行推理，用 RAG 确保准确性，用 Agent 框架实现自主性
|
||
|
||
## Key Quotes
|
||
> "LLM 在思考方面非常出色，但对当前情况却一无所知" — 核心局限
|
||
> "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 的比喻
|
||
> "LLM 和 RAG 都不具备行动能力，有脑，有手，但是不知道怎么走路" — Agent 的必要性
|
||
> "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" — 核心结论
|
||
|
||
## Key Concepts
|
||
- [[Large Language Model]]：大语言模型，AI 应用的"天才大脑"，负责推理与生成，但知识有截止日期
|
||
- [[RAG]]：检索增强生成（Retrieval-Augmented Generation），将 LLM 链接到外部知识库，提供实时信息和可引用来源，降低幻觉
|
||
- [[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，实现真正的自主行动能力
|
||
- [[ReAct Pattern]]：AI Agent 的推理-行动模式，通过观察结果迭代优化下一步行动
|
||
|
||
## Key Entities
|
||
- [[shenwei]]：微信公众号作者，本文原创发布于 2025-11-19
|
||
|
||
## Connections
|
||
- [[Large Language Model]] ← 核心引擎 ← [[AI Agent]]
|
||
- [[RAG]] ← 提供准确性 ← [[AI Agent]]
|
||
- [[AI Agent]] ← 扩展能力 → [[ReAct Pattern]]
|
||
- [[Large Language Model]] ← 知识局限 → 需要 [[RAG]] 补充实时信息
|
||
|
||
## Contradictions
|
||
- 无已知冲突
|
||
|
||
## Related Sources
|
||
- [[rag从入门到精通系列1-基础rag]] — RAG 基础入门教程
|
||
- [[大模型相关术语和框架总结｜llm-mcp-prompt-rag-vllm-token-数据蒸馏]] — LLM/RAG 相关术语总结
|
||
- [[designing-for-agentic-ai]] — Agentic AI 设计原则
|
||
- [[n8n-full-tutorial-building-ai-agents-in-2025-for-beginners]] — AI Agent 构建入门
|