构建AI Agent的核心概念：RAG、工具调用与规划

上一篇文章中，我分享了自己对 AI Agent 的认知转变过程。今天，我想从实战角度深入聊聊构建 AI Agent 的三个核心概念：RAG、工具调用和任务规划。这些可以说是我在过去半年开发 AI Agent 项目中最常用到的能力了。

从一个真实需求说起

还记得去年年底，我接到一个特别有意思的需求：要给公司内部开发一个技术文档助手，要求能回答任何关于公司内部技术文档的问题，并且能够执行一些简单的运维任务。

最开始的想法很简单：把所有文档扔给 GPT，让它回答问题就完了。但实际上手后，很快就发现这根本行不通：

1. 文档内容太多，完全超出了模型的上下文窗口
2. 文档经常会更新，每次都要重新训练太麻烦
3. 很多问题需要实时查询系统状态才能回答
4. 有些任务需要分步骤执行，不是单次调用能搞定的

正是这个项目，让我深入理解了 RAG、工具调用和任务规划这三个概念的重要性。

RAG：让 AI 拥有"记忆"的能力

RAG（Retrieval-Augmented Generation）说白了就是让 AI 在回答问题前，先去"查资料"。

拿我们的文档助手来说，我是这么实现的：

1. 首先把所有文档切分成小块，每块大概 500-1000 字
2. 用 embedding 模型把每个文档块转换成向量
3. 存入向量数据库（我用的是 Milvus）
4. 用户提问时：
   • 先用同样的 embedding 模型处理问题
   • 在向量数据库中找最相关的几个文档块
   • 把这些文档块作为上下文，让 GPT 回答问题

效果立竿见影：

用户：如何在测试环境部署新服务？
Assistant：让我查一下相关文档...
根据我们的部署文档，测试环境部署新服务需