67 lines
2.7 KiB
Markdown
67 lines
2.7 KiB
Markdown
---
|
||
title: "LLMs、RAG、AI Agent 三个到底什么区别？"
|
||
type: source
|
||
tags: [llm, rag, ai-agent, ai-basics]
|
||
sources: ["https://mp.weixin.qq.com/s/8B_Phrjz_Mlvpe7vJ3maPA"]
|
||
last_updated: 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
|