RAG技术定义
AG（Retrieval-Augmented Generation，检索增强生成） 是一种将信息检索与文本生成相结合的技术，通过实时从外部知识库中检索相关文档，增强大语言模型（LLM）的生成准确性和事实性。其核心价值在于解决LLM的三大痛点：
- 知识固化：预训练数据无法实时更新
- 幻觉问题：生成内容缺乏事实依据
- 领域局限：难以直接处理专业领域问题
典型应用场景：
- 智能客服（如阿里小蜜日均处理千万级问答）
- 法律/医疗领域专业问答
- 企业知识库增强（如微软将RAG集成到Copilot）
RAG模型结合了语言模型和信息检索模型，当模型需要生成文本的时候，会先从一个庞大的文档集合中检索出先关的信息，然后利用这些检索到的信息来指导文本的生成，从而提高预测的质量和准确性。
其中检索、利用、生成是RAG的关键部分
rag流程
RAG 的关键思想是**“先检索，再生成”**。
流程分三步：
Embedding（向量化）
将知识库中的文档或文本切片，生成向量（Embedding）。
用户问题也向量化。
Retrieval（检索）
在向量数据库中找到与用户问题最相似的内容（Top-K）。
也可以结合传统数据库过滤条件。
Generation（生成）
将检索到的文档 + 用户问题一起输入大模型。
模型生成答案，基于真实知识，而不是凭空猜测。
接下来，我们进一步了解 RAG 的优势。
以下为 RAG 的具体优势：
1.外部知识的利用：RAG 模型可以有效地利用外部知识库，它可以引用大量的信息，以提供更深入、准确且有价值的答案，这提高了生成文本的可靠性。
2.数据更新及时性：RAG 模型具备检索库的更新机制，可以实现知识的即时更新，无需重新训练模型。说明 RAG 模型可以提供与最新信息相关的回答，高度适配要求及时性的应用。
3.回复具有解释性：由于 RAG 模型的答案直接来自检索库，它的回复具有很强的可解释性，减少大模型的幻觉。用户可以核实答案的准确性，从信息来源中获取支持。
4.高度定制能力：RAG 模型可以根据特定领域的知识库和 prompt 进行定制，使其快速具备该领域的能力。说明 RAG 模型广泛适用于的领域和应用，比如虚拟伴侣、虚拟宠物等应用。
5.安全和隐私管理：RAG 模型可以通过限制知识库的权限来实现安全控制，确保敏感信息不被泄露，提高了数据安全性。
6.减少训练成本：RAG 模型在数据上具有很强的可拓展性，可以将大量数据直接更新到知识库，以实现模型的知识更新。这一过程的实现不需要重新训练模型，更经济实惠
MCP
MCP（Model Context Protocol）
MCP 是一个开放协议，目标是“Type-C 化”AI 接入生态。
特点：
- 不依赖某个模型平台，统一标准。
- 建立模型与服务之间的通用上下文交换机制。
- 支持多步任务、状态保持、权限控制。
优势：
- 将服务按层次抽象：描述、能力、限制。
- Client（Agent）根据协议自行组合能力，完成任务。
- 构建生态后，不同服务之间可以互操作，AI 自动化能力大大增强。
Function Call 是模型调用外部函数的能力，解决的是“如何执行一段具体逻辑”；而 MCP 是一个完整的插件协议，解决的是“模型如何发现、管理、组合和调用工具”。
Function Call 是能力，MCP 是生态；Function Call 是单点执行，MCP是持续的双向交互；Function Call 没有会话管理和事件，MCP 则是一个完整协议。
大模型 Agent 实现的核心是一套“循环推理-行动”状态机。用户请求进入后，LLM 先进行任务规划和意图识别，再选择工具，外部执行器执行工具并返回 Observation，Agent 将 Observation 作为下一轮 Prompt 的部分输入，LLM 再根据新状态决定下一步 Action，循环进行直到达成目标。期间所有上下文由 Memory 系统和对话状态维护。
服务厂商提供的mcp比较多，很多其实我们不需要，如何导入只需要的，nacos3.0提供了这种能力。
AI agetn
引用
作者：百度Geek说
链接：juejin.cn/post/734577…
来源：稀土掘金
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
