nexus/wiki/sources/LLMs-RAG-AI-Agent-san-ge-dao-di-shen-me-qu-bie.md

title, type, tags, date

title	type	tags	date
LLMs、RAG、AI Agent 三个到底什么区别？	source	llm rag ai-agent	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）