2.8 KiB
2.8 KiB
title, type, tags, date
| title | type | tags | date | ||||
|---|---|---|---|---|---|---|---|
| LLMs、RAG、AI Agent 三个到底什么区别？ | source |
|
2025-11-19 |
Source File
Summary
- 核心主题：LLMs、RAG、AI Agent 三个核心AI概念的层次区别与协同关系
- 问题域：澄清AI应用领域对这三个术语的混淆——它们不是竞争技术，而是不同层面的能力展示
- 方法/机制：LLM（天才大脑/思考）→ RAG（随身图书馆助理/信息）→ AI Agent（行动者/执行）的三层架构
- 结论/价值：真正生产系统叠加三者——LLM推理、RAG确保准确性、Agent框架实现自主性
Key Claims
- LLM 是"天才大脑"，学习了过去所有知识，擅长思考但对当前情况一无所知
- RAG 是"记忆系统"，将静态LLM链接到外部实时知识库，解决知识时效性问题
- AI Agent 是"行动者"，围绕LLM构建循环控制系统（感知→规划→执行→反思）
- 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
- RAG 通过检索+增强生成两步降低LLM幻觉，提供事实依据与来源引用
- AI 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
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" "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"
Key Concepts
- LLM：Large Language Model，大语言模型，AI应用的"天才大脑"，擅长思考但知识有时效性限制
- RAG：Retrieval-Augmented Generation，检索增强生成，给LLM配备"随身图书馆助理"，解决知识时效性问题
- AI-Agent：智能体，围绕LLM构建循环控制系统，实现感知→规划→执行→反思的自主行动
- 幻觉问题：LLM生成看似合理但实际错误答案的问题，RAG通过提供事实依据降低幻觉
- 向量数据库：RAG系统中存储外部知识、实现语义检索的核心组件
- NL2SQL：自然语言到SQL，使Agent能直接查询数据库解答分析性问题
- AI-Agent-五步循环：获取任务→扫描场景→仔细思考→采取行动→观察并迭代
Key Entities
- DeepSeek：国产底座通用大模型
- ChatGPT：OpenAI通用大模型
- Qwen：阿里通义千问底座通用大模型
- Midjourney：专有绘画模型
- Claude：Anthropic编程模型