2.7 KiB
2.7 KiB
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 |
|
|
2025-11-19 |
Summary
- 核心主题：LLMs、RAG、AI Agent三个核心AI概念的定义与区别
- 问题域：AI应用开发者必须掌握的基础概念澄清
- 方法/机制：分层解析——LLM是思考、RAG是信息获取、AI Agent是行动执行
- 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展示，应结合使用
Key Claims
- LLM（大语言模型）是AI应用的"天才大脑"，但知识有时间节点，无法获取实时信息
- RAG（检索增强生成）是记忆系统，将LLM链接到外部实时知识库，解决幻觉和知识时效问题
- AI Agent（智能体）是循环控制系统，感知目标、规划步骤、执行动作、反思结果
- 真正生产系统需要三者结合：LLM推理+RAG准确性+Agent自主性
Key Quotes
"它们并不是竞争技术，而是在三个不同层面，满足不同实际场景的能力展示" — 核心澄清
"LLM在思考方面非常出色，但对当前情况却一无所知" — LLM局限性
"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定义
"用LLM进行推理，用RAG确保准确性，用Agent框架实现自主性" — 三者关系
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
- RAG（Retrieval-Augmented Generation，检索增强生成）：将静态LLM链接到外部实时知识库的记忆系统
- 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
- 检索增强生成：检索（Retrieval）+ 增强生成（Augmented Generation）两步流程
- 幻觉问题：LLM生成看似合理但实际错误答案的问题
- 上下文Context：RAG将检索结果作为上下文输入给LLM
Key Entities
- ChatGPT：底座通用大模型
- DeepSeek：底座通用大模型
- Qwen：底座通用大模型
- Midjourney：专有绘画模型
- Stable Diffusion：专有绘画模型
- Claude：编程专有模型
Connections
- LLM ← 提供者 ← 思考能力
- RAG ← 提供者 ← 实时信息
- AI Agent ← 提供者 ← 行动能力
- LLM ← 扩展 ← RAG
- LLM ← 驱动 ← AI Agent
- AI Agent ← 依赖 ← LLM
- AI Agent ← 依赖 ← RAG
Contradictions
- 与单一技术万能论冲突：
- 冲突点：是否需要多种技术结合
- 当前观点：三者结合才能构建完整AI应用
- 对方观点：单一LLM可以解决所有问题