大模型能力越来越强，但落地没那么快。从单次对话到多步任务，中间隔着系统工程。这篇文章聊三个绕不开的技术方向：RAG、MCP和智能体。
一、RAG：让模型学会翻资料
大模型的知识截止于训练时刻，这是天生局限。RAG的思路很简单：用户提问时，先从知识库里检索相关内容，再让模型基于这些资料生成答案。
数据分片是关键第一步。文档切太碎，上下文割裂；切太整，检索不精准。技术手册按章节切，问答对按条目切，不同类型策略不同。分片后生成向量，存入向量数据库。
检索不是终点。召回的片段需要排序筛选。两阶段检索常见：先用向量召回一批，再用重排模型精排。重排能更细粒度判断相关性，但计算成本高。
指令理解很关键。“怎么配”和“配错了怎么办”指向不同文档。只匹配关键词容易跑偏，有的系统会在检索前加一层意图识别。
进阶方向是GraphRAG——用知识图谱组织信息。实体关系预先抽取，检索时沿着图谱走，能回答更复杂的问题。比如“A和B合作过哪些项目”，文档片段难拼凑，图谱能直接列出来。
二、MCP：让模型学会用工具
大模型不能直接操作外部系统，这是硬伤。不能查数据库，不能调API，不能执行代码。MCP这类协议解决的，就是模型与外部世界交互的问题。
MCP定义客户端-服务器架构。模型作为客户端，通过标准协议调用各种工具服务器。工具服务器封装数据库查询、代码执行、API调用等能力。模型只需知道“有什么工具、怎么调用”，实现由服务器完成。
工具描述要规范。每个工具需清晰的名称、描述、参数列表。模型根据问题判断调用哪个、填什么参数，描述不清容易选错。有的团队会写few-shot样例帮助理解。
多步骤任务要管理。复杂问题常需多次工具调用，且后面依赖前面。“查某公司去年营收，再和同行比”，需先查数据库拿到数据，再调分析工具对比。MCP支持任务链式调用，中间结果可在上下文传递。
安全是底线。工具调用可能带来风险。协议通常支持沙盒隔离、权限控制。敏感操作需用户二次确认，或限定特定环境执行。
Google新推出的A2A协议也值得关注，它关注多智能体协作：一个智能体可把子任务委派给另一个，任务状态可同步，为构建复杂多智能体系统提供了标准化基础。
三、智能体：从回答问题到完成任务
RAG让模型能查资料，MCP让模型能调工具，两者结合，就能做出真正干活的智能体。
智能体与问答系统的区别在于：它有状态，能规划，能执行多步骤任务。“帮我订下周去上海的机票”需要查时间、比价格、填信息、下单支付。每一步可能调用不同工具，过程中可能要追问用户。
任务规划是核心。模型需把大目标拆解成可执行子任务。有的用CoT提示工程让模型一步步想，有的用专门规划器把拆解和调用分离。规划质量直接影响成功率。
记忆管理要分层。多轮对话里，用户可能中途修改需求，或同一个智能体处理多个任务。短期记忆缓存最近几轮，长期记忆存储用户偏好。MemGPT等框架把记忆做成层级结构，重要信息持久化，临时信息随对话过期。
多模态支持很实用。用户可能发截图问“这按钮为什么点不了”，或语音描述故障。多模态智能体需对齐文本、图像、音频信息，跨模态理解后统一决策。模态对齐和融合是底层关键技术。
群体智能是更高阶形态。单个智能体能力有限，复杂任务需多角色协作。AutoGen等框架支持多智能体协同：一个负责计划，一个执行，一个质检，互相讨论修正。多智能体通信需高效消息传递和任务状态同步，集中训练、分散执行是常见范式。
四、从原型到产品还有多远
RAG、MCP、智能体，每项单看都不陌生，但整合到产品里会碰到一连串工程问题。
速度。多步推理意味着多次模型调用，延迟累加。缓存策略、负载均衡、推理加速，每一层都得优化。
稳定性。模型生成不稳定，同样输入可能不同输出。用在自动化流程需加校验和兜底。置信度低于阈值时触发人工接管，关键操作后让用户确认。
成本。模型调用次数多，API开销不小。蒸馏模型、本地部署、小型模型处理常规任务、复杂问题交给大模型，都是控制成本的手段。
评估。怎么判断智能体做得好不好？不能只看单次回答质量，要看任务完成率、多轮对话成功率、资源消耗。领域不同，指标需定制。
大模型的能力边界还在扩展，但技术关注点正从“模型多强”转向“系统多稳”。RAG让知识库活起来，MCP让工具链打通，智能体让自动化升级。这三块拼图拼起来，才可能做出真正落地的应用。
工程师高培觉得理论是骨架，落地才是血肉。
