nexus/wiki/sources/llms-rag-ai-agent-三个到底什么区别.md

title, type, tags, sources, last_updated

title	type	tags	sources	last_updated
LLMs、RAG、AI Agent 三个到底什么区别？	source	ai-agent llm rag		2025-11-19

Source File

• raw/AI/LLMs、RAG、AI Agent 三个到底什么区别？.md

Summary（用中文描述）

• 核心主题：LLM、RAG、AI Agent 三者的定义区别与协同关系
• 问题域：AI 应用开发入门基础知识，澄清常见误解
• 方法/机制：作者以类比手法，将 LLM 比作"天才大脑"、RAG 比作"随身图书馆助理"、AI Agent 比作具备行动能力的循环控制系统，层层递进解释三者关系
• 结论/价值：三者并非竞争技术，而是在不同层面互补协同——LLM 用于思考，RAG 用于认知，Agent 用于执行；生产系统应将三者结合使用

Key Claims（用中文描述）

• LLM（大语言模型）是 AI 应用的"天才大脑"，在思考方面出色，但对当前情况一无所知
• RAG（检索增强生成）是连接 LLM 与外部实时知识库的"记忆系统"，无需重新训练即可获取最新信息、消除幻觉
• 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
• 三者并非竞争技术，而是在不同层面满足不同实际场景的能力展示；生产系统应叠加使用三者

Key Quotes

"LLM 在思考方面非常出色，但对当前情况却一无所知。" — 核心矛盾点 "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。" — RAG 的定位 "AI Agent 也就是智能体，它就是围绕大脑 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。" — Agent 的本质 "用 LLM 进行推理，用 RAG 确保准确性，以及用 Agent 框架实现自主性。" — 生产系统组合策略

Key Concepts

• LLM：大语言模型（Large Language Model），AI 应用的"天才大脑"，基于过去知识训练，具备强大推理能力但知识有截止日期
• RAG：检索增强生成（Retrieval-Augmented Generation），为 LLM 提供外部知识库访问能力的"记忆系统"，包含检索和增强生成两个关键步骤
• AI Agent：AI 智能体，围绕 LLM 构建的循环控制系统，包含获取任务、扫描场景、仔细思考、采取行动、观察迭代五个基本步骤
• 幻觉：LLM 基于训练数据生成看似合理但实际错误或虚构的信息，RAG 通过提供事实依据可显著减少此类风险

Key Entities

• ChatGPT：OpenAI 开发的底座大模型代表，用作 LLM 示例
• DeepSeek、Qwen：中国开源底座大模型代表
• Midjourney、Stable Diffusion：专有模型代表（绘画领域），专有模型本质上是让"天才大脑"在某一方面做专项训练
• Claude：专有模型代表（编程领域）
• 向量数据库：RAG 系统中存储外部知识的常用基础设施

Connections

• LLM ← 思考核心 ← AI Agent
• RAG ← 提供实时信息 ← LLM
• AI Agent ← 循环控制 ← LLM
• RAG ← 减少幻觉 ← LLM
• AI Agent ← 使用工具/API ← 向量数据库

Contradictions

• 无已知冲突内容

AI Agent 五步循环

1. 获取任务（Goal）：接收用户指令或自动触发
2. 扫描场景（Perceive）：感知环境，访问可用资源
3. 仔细思考（Think）：由推理模型驱动，分析任务并制定行动计划
4. 采取行动（Act）：调用工具（API、代码、数据库等）作用于外部世界
5. 观察并迭代（Observe）：将结果加入上下文/记忆，循环回到第3步