人工智能大模型技术相关名词之RAG、Agent及MCP

一文读懂 AI 热门概念:MCP、RAG 与 Agent 最近AI圈里这几个词特别火,一文读懂 AI 热门概念:MCP、RAG 与 Agent。今天AiBot小编就用最接地气的方式,搭配生活中的例子,用12张图带大家轻松搞懂这些AI领域专业名词概念。关注我,解锁更多AI神器,让小白秒变AI生产力达人! 阅读详情

本来想了解一下RAG,没想到连Agent和MCP也一起搞清楚了,现在放在一起,用大白话说说。

话说大模型本身只会说话————大模型全称是语言大模型(直译是大语言模型,Large Language Model, 简写LLM),其本质是用海量的文本资料训练,让它用统计学的方法得出,对于用户的输入,最靠谱的回答是什么。是的,大模型本身只会说话,你问它一个问题,它给出回答,仅此而已。

要让大模型真正有用,需要在两个方面增强它。

第一个方面,是大模型的知识结构“广而不精”。它的知识结构可谓是“上知天文、下知地理”,什么都懂。然而到具体应用到专业领域时候,某个窄领域的专业知识,可能它的知识储备还是不够,或者某些知识是组织的内部知识库里的,并不对外开放,所以大模型的训练资料库不可能覆盖到。这个问题有两种解决方法,第一个办法是微调,非常有实力的单位,拿专业的领域知识重新训练大模型。这种方法要求太高,不在本次讨论范围之内。第二种方法叫RAG(Retrieval Augmented Generation, 检索增强生成,这个名词听起来有点不知所谓,后者逐步介绍)。RAG的想法非常朴素,就是既然大模型“广而不精”,我在问它问题时候,同时把包含相关知识的文字资料直接喂给它,让它自己综合文字资料的内容再回答我的问题,这样回答的质量就很高了,这就是所谓的增强生成(Augmented Generation),大模型理解文字资料、重新组织语言的能力还是很高的。后一种方法很好,然而需要解决的问题,是如何在提问的同时提供相关的文字资料。如果是让用户自己去找相关的资料并提交,大模型只是做一个综合,那么这大模型的应用的效率就大打折扣了。解决的方案是预先构建一个专业的知识库,把专业的知识内容都存在知识库里面。用户使用时候根据用户的问题,自动匹配最相关的知识内容,和问题一起提交给大模型。

如何根据用户的问题,自动匹配最相关的知识内容呢?总不能把整个知识库都提交过去,那内容太庞大了,超出了大模型的处理能力。答案是文本的向量化,在存储知识内容的时候,除了存储知识内容的文本文字,还存储了知识内容的向量化结果。而在回答用户问题时候,也将用户问题的文本内容也同样做向量化处理,然后搜索数据库,用知识的向量匹配问题的向量,向量距离最近的几条记录,即为和用户问题最相关的知识内容,这就是检索 (Retrieval)。(至于什么是文本文字的向量化,为什么向量距离最近的即为最相关的内容,感兴趣的可以去搜索学习)。

这里边的知识点,有嵌入(Embedding)模型,很多大模型都有Embedding版本,专门用来处理文本的向量化。有向量数据库,传统关系型数据库有向量化扩展(如pg_vector),也有专门的向量数据库(Milvus / Chroma)。

语言大模型的第二个局限性,是它是一个绝对的君子,只会动口,不会动手。你问它一个问题,他给你一个答案,而且这答案,是它训练时的资料里就有的,除此以外都不知道。要让一个应用程序真的有用,我们需要让大模型“做”点事情。比如最早的大模型辅助编程,就是使用网页版本的大模型对话框,用户输入描述,让大模型在对话框里输出源代码,然后用户再手工拷贝到原始文件里做修改,这样的效率太低了,要是大模型能直接修改原始文件就好了。用户问大模型今天天气怎么样的时候,大模型应该会自己去主动连接网络上提供天气信息的接口查询天气,然后返回天气结果。

Agent(智能体)设计用来解决这个问题。大致的情景如下:我们建立一个Agent,后端连接大模型,前端连接用户,并且内置有有关的Tool(工具)。Agent将用户的问题传达给大模型时候,顺便告诉大模型,我这里都有哪些工具可用。大模型分析用户的问题并回答,答案里直接包含了对工具调用,然后根据工具的执行结果,决定下一步继续让大模型处理还是直接返回结果给用户。

再举辅助编程的例子,我们让大模型实现某个功能的时候,会由Agent告诉大模型,我这里有工具可以读取原文件和修改文件。于是大模型经过分析要实现的功能,然后输出指令,去读取某个文件。我们的读取工具会读取文件内容传递给大模型。大模型综合文件内容,决定修改哪个位置以及如何修改,再由修改文件工具做实际的修改。

而对于查询天气的例子,我们的Agent会告诉大模型,我们有个查询天气工具,然后大模型初次产生的回答,就包含了对查询天气工具的调用,然后把查询结果再送给大模型润色后输出。

不过这里智能体的工具,是特定于某个智能体的,不能做到通用。如果某个第三方开发了一个非常有用的工具,他肯定想让对所有的智能体都可用。MCP就是这个通用的协议,用MCP协议开发的工具,可以被所有支持MCP协议的智能体使用。

相关的工具/框架,首先是LangChain,LangChain对常见的大模型/向量数据库/嵌入模型等都做了封装,同样一个代码,稍加修改就可用于平替到替代品,LangChain需要自己写代码控制。然后是LangFlow,LangFlow是将LangChain封装起来,以可视化/拖放方式开发应用(所谓的低代码或无代码开发,有点当年用Delphi的感觉),很容易上手。不过就我试验的结果,LangFlow的成熟度不够高,发生过属性明明设置了自己丢失等等大大小小的问题。其他还有注重于RAG的UltraRAG/FlashRAG等,另外LlamaIndex感觉定位和LangChain类似。

也有几个专注于大模型前端界面的值得提一下:Open-WebChat / LibreChat / AnythingLLM,基本内容都是要安装以后设置自己的大模型/嵌入模型/向量数据库后端,然后就可以上传文件以及聊天。

如何抢占先机,拥抱 Agent?

从0到1!大模型(LLM)最全学习路线图,建议收藏!

想入门大模型(LLM)却不知道从哪开始? 我根据最新的技术栈和我自己的经历&理解,帮大家整理了一份LLM学习路线图,涵盖从理论基础到落地应用的全流程!拒绝焦虑,按图索骥~~

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

AI名词Prompt、LLM 、Agent、Agent Skills、Workflow、MCP、Tool等等都是什么意思? 深度解析+例子说明。 我们来一次全阵容的深度解析。用最简练的语言和最贴切的例子,把这套“AI 生态系统”讲清楚。 AI名词Prompt、LLM 、Agent、Agent Skills、Workflow、MCP(Model Context Protocol - 模型上下文协议)、Tool、Tool Calling、Memory、RAG、Action、Multi-Agent、Context等等;深度解析+例子说明。 阅读详情

相关推荐

一文读懂AI大模型时代的RAG技术

RAG(Retrieval-Augmented Generation,检索增强生成) 是一种结合检索技术与生成模型的技术架构,旨在通过动态引入外部知识库增强大语言模型(LLM)的生成能力。其核心思想是通过检索系统从外部数据源(如企业知识库、实时文档等)获取相关信息,并将检索结果作为上下文输入生成模型,以提高生成答案的准确性、时效性和专业性

awei0916的专栏 2121

AI技术概念大梳理:MCP、Agent、RAG、RPA、A2A到底有什么区别?

今天还会讲解大模型相关的产品及协议,分别是MCP、Agent、RAG、RPA、A2A。这些都是企业落地的方向,也都是应用层发力的方向。

2401_85373691的博客 924

Cgroup对进程所占用的CPU与内存资源同时进行限制的测试

测试环境:Ubuntu。处理器数量:1CPU。内存大小:2048MB。 以下是测试程序mem_cpu_test.c的代码。 将mem_cpu_test.c编译为可以运行的程序mem_cpu_test。 运行程序,并用top命令查看mem_cpu_test所占用的系统资源情况,可以看到,mem_cpu_test使用了50%左右的内存资源,也就是1000MB左右,并占用了接近全部的CPU资源。 关闭以上的程序后,在Cgroup子系统memory和cpu下分别创建进程组test1和test2。 并设置tes

qq_44998067的博客 1156

AI热门术语指南|一文读懂 MCP、RAG、Agent

最近,AI 圈被三个词刷屏了 ——MCP、RAG、Agent!几乎每天都有新的相关工具冒出来,各大技术论坛、行业群聊得热火朝天。但不少朋友一看到这些术语就犯迷糊:它们到底是啥?能干啥?和我们普通人又有啥关系?别慌!今天就用最接地气的方式,带你彻底搞懂这些概念,看完秒变 AI 达人!MCP 其实是个 “多面手”,不过我们重点关注模型上下文协议(Model Context Protocol),它就像 AI 世界的 “万能转换器”。想象一下,你家里有各种不同插头的电器,想插到插座上得配不同转接头,麻烦又混乱。

2401_84494441的博客 1055

【win11+vs 2017+OpenCV4.5.5+Qt5.12配置】详细安装过程+小问题解决

由于Qt5无法与最新的vs2022兼容,扩展工具中一直显示不可用,所以将vs降级成vs2017。在安装Qt的过程中,会选择安装Qt套件,其中就的MCVS 2017,说明vs2017是与qt兼容的。当然也可以用qt creator这一原生IDE。OpenCV版本目前是最新的4.8.0,使用过程中没有什么问题,但是还是安装低版本大概率避免一些玄学问题。

qq_45306739的博客 3351

yolov8涨点系列之轻量化主干网络替换

yolov8涨点系列之轻量化主干网络替换,以EfficientVit为例

zhang1379的博客 2887

大模型技术栈必备:MCP/Agent/RAG/RPA/A2A深度解析,值得收藏的学习指南

本文详解大模型生态五大核心技术:MCP作为连接外部世界的接口协议,Agent赋予大模型自主执行能力,RAG解决"幻觉"问题,RPA实现智能自动化,A2A实现多智能体协同。这些技术相互关联,共同构建高效AI应用体系,推动AI向通用人工智能发展,助力开发者把握AI时代机遇。

2401_85325726的博客 1175

YOLOv8改进:注意力系列篇 |高效的通道先验卷积注意力(CPCA) | 中科院 2023.6

高效的通道先验卷积注意力(CPCA)方法,支持注意力权重在通道和空间维度上的动态分布;

会AI的学姐 2047

LLM - 从 LLM 到 RAG、Agent、MCP 的一体化工程实践

企业大模型应用正从对话转向任务闭环,需要整合LLM、RAG、Agent和MCP等技术构建可落地的AI基础设施。LLM作为基础能力组件,企业应采用"云端+本地"混合部署策略;RAG通过检索增强让模型理解业务知识;Agent赋予系统规划执行能力;MCP协议实现工具和数据标准化接入。典型架构分为数据层、AI能力层、Agent层和应用层,需兼顾安全治理与业务需求。以知识助手为例,展示了从检索到任务执行的端到端流程。未来趋势将聚焦AI与核心业务的深度融合,以及开发流程的标准化。

小工匠 3491

【ComfyUI】FluxKontext 人物服装平铺重构

本文介绍了一个基于ComfyUI的高保真服装语义提取工作流,利用FluxKontext模型实现人物服装结构的精准抽离与平铺展示。工作流包含图像输入、潜空间处理、语义引导和生成输出四个阶段,通过Flux_Kontext_dev_fp8主模型、双CLIP文本编码和VAE转换等核心组件,配合FluxKontextImageScale、ReferenceLatent等节点完成服装结构的稳定提取。流程中CLIPTextEncode负责语义解析,FluxGuidance强化引导力度,KSampler执行最终生成,最终输

Mr数据杨 961

C语言实现惯导更新算法(机械编排)

四元数可用于描述刚体转动或姿态变换,与方向余弦阵相比,表达简洁。四元数是一个包含四个元素的列向量,列向量的第一个元素表示刚体围绕旋转轴转过的角度大小,其余3个元素代表了旋转轴的方向。

十八与她的博客 1730

AI那几个高大上的名词,我替你弄明白了:聊聊RAG、MCP和Agent

面对RAG、MCP、Agent这些天书般的AI术语,你是否也感到头大?别担心,这篇文章不讲生硬定义,而是用一个“技术老友”的口吻,带你认识三位有趣的AI“角色”。 你会发现,确保AI不说谎的RAG,其实是一位严谨的“学霸图书管理员”;让AI能调用各种工具的MCP,就像一把“万能瑞士军刀”;而最酷的Agent,则是一位能独立思考、主动办事的“全能秘书”。 想知道这AI“三剑客”是如何分工协作,共同构建起强大智能的吗?点击阅读,让你彻底理清思路,轻松看懂AI的未来趋势。

Apple_Boy的博客 1047

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

大模型5大核心技术:MCP/Agent/RAG/RPA/A2A,从小白到高手的进阶指南!

文章详细介绍了大模型生态系统中的五大关键技术:MCP作为连接大模型与外部世界的桥梁;Agent赋予大模型感知、决策和执行能力;RAG通过检索增强提高回答准确性;RPA实现智能自动化执行;A2A实现智能体间协作。这些技术相互关联,共同构建了更加智能、高效、开放的AI应用体系,推动人工智能向通用智能迈进。

Z4400840的博客 854

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

收藏!小白&程序员必懂的大模型核心名词解析(Agent/MCP/Function Calling/RAG)

最近AI圈的热词密集爆发,Agent、MCP、Function Calling、RAG轮番刷屏,不少刚入门大模型的小白和程序员都直呼“看不懂”。这些名词到底是什么?彼此之间有什么关联?今天用通俗的语言拆解清楚,帮你快速搭建大模型技术认知框架。Agent被称作智能体,可智能体具体能做什么?MCP被誉为AI时代的USB协议,难道真能像U盘一样即插即用?带着这些疑问,我们逐个突破核心概念。2023年,OpenAI则刚发布GPT的时候,Al看起来只是一个聊天框。

大模型研究中心 1198

一文搞懂AI四大核心概念:LLM、RAG、MCP、Agent及其关系

文章用通俗易懂的方式解析AI生态四大核心概念:LLM是能思考但知识有限的大脑;RAG为其提供可更新的外部知识库;MCP作为标准接口连接LLM与工具;Agent则是能独立执行任务的综合体。四者关系如同:Agent(打工人)使用LLM(大脑),参考RAG(资料),通过MCP(接口)操作工具完成任务,共同构建了AI从理论到应用的技术体系。

aolan123的博客 1257

LLM、RAG、MCP、Agent 到底是啥?用大白话一篇讲清楚,小白也能懂!

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 , 大模型作为其中的重要组成部分 , 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力, 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ,为各行各业带来了革命性的改变和机遇 。

2401_85373691的博客 924

终于搞懂了!一文厘清MCP、Agent、RAG、RPA、A2A,别再傻傻分不清了!

本文系统介绍了大模型生态中的五大关键技术:MCP(模型上下文协议)作为连接大模型与外部世界的标准化接口;AIAgent赋予大模型感知、决策和执行能力;RAG(检索增强生成)解决大模型知识滞后问题;RPA(机器人流程自动化)作为大模型的自动化执行者;A2A(智能体间通信)实现多智能体协同。这些技术相互关联,共同推动AI从"能听会说"向"能理解、会思考、可行动"发展,为企业AI落地提供完整解决方案。文章还提供了大模型学习的系统路径和免费资源获取方式。

libaiup的博客 1664

程序员必学!大模型五大核心技术(MCP/Agent/RAG/RPA/A2A)全解析(收藏版)

本文详解大模型生态五大核心技术:MCP(连接外部世界的接口)、Agent(智能执行体)、RAG(检索增强生成,解决幻觉问题)、RPA(自动化执行者)和A2A(智能体间协作协议)。这些技术共同构建了更智能、高效的AI应用体系,推动AI向"能理解、会思考、可行动"的通用人工智能迈进。文末提供系统学习资源,帮助读者从零入门到实战掌握大模型技术。

2401_84815887的博客 1223

给MCP加上RAG,Agent准确率起飞?

嘿,大家好!这里是一个专注于前沿AI和智能体的频道~昨天,arxiv挂了一篇RAG-MCP的论文,忍不住唠叨几句。数据来看,他对Accuracy的提升非常明显。但本质上,鉴于还是有很多小伙伴不是很清楚,MCP、MCP Server是什么?首先,我们需要知道的是,大模型的输入只有prompt。所以,无论是function call,又或者是MCP Server。他们做的都是定义了一个工具描述信息,最终都会被以某种方式填充到prompt里。

bagell的博客 766

从RAG到CoT再到MCP,一文读懂AI Agent落地难题|大模型研究

生成式AI已经以前所未有的速度改变着我们的数字世界,从ChatGPT到Midjourney,从Claude到Gemini,这些大型语言模型展现出了惊人的能力。然而,当我们试图将这些模型从简单的对话工具转变为能够自主决策和执行任务的智能体(AI Agent)时,一系列复杂的技术难题开始显现。现实总是与理想相差甚远,你以为基于大模型灌入自有数据就能快速定制一个好用的智能体服务,但实际上加入新数据后,技术专家无论如何处理,都难以自动聚合分类,更难以形成可用参数,甚至还让原来的大模型崩溃,不可使用。

2401_85343303的博客 935

大模型术语详解:LLM、MCP、RAG、Agent等,一篇全搞定,建议收藏!

大模型核心术语解析 本文系统梳理了大模型领域的10个关键技术概念,包括: LLM:参数规模≥10亿的语言模型 Prompt:输入给模型的指令文本 MCP:模型与外部工具交互的标准化协议 Agent:整合LLM与工具的执行系统 RAG:通过检索增强生成质量的解决方案 Embedding:将词语转化为数值向量的技术 LangChain:开发Agent的框架工具 vLLM:优化GPU内存使用的推理加速方案 Token:模型处理的基本文本单元 数据蒸馏:大模型向小模型传递知识的方法 文章还提供了系统学习大模型的路线

优快云_224022的博客 1344

2025 封神级大模型技术手册:LLM、RAG、Agent、MCP 核心逻辑全拆解

**摘要:**2025年AI技术生态由LLM、ChatGPT、RAG、Function Call、Agent和MCP六大核心技术构成。LLM作为基础引擎提供语言理解能力;ChatGPT优化人机交互体验;RAG扩展实时知识获取;Function Call实现外部系统连接;Agent整合各组件完成复杂决策;MCP标准化工具交互协议。这些技术协同工作,推动AI从文本生成向自主智能演进,在办公自动化、数据分析、智能家居等领域广泛应用。未来AI将向多模态融合、持续学习和安全增强方向发展,掌握这些核心技术对理解AI发展

小程故事多的博客 872

一文读懂 AI 应用核心:Agent、LLM、RAG、MCP、Function Call

大家好,我是 jonssonyan现在很多企业都在用 AI 给业务赋能,网上充斥着各种名词,Agent、LLM、RAG、MCP、Function Call,看的眼花缭乱,本文会将它们比作是一台电脑的各个组成部分,通俗的给大家讲清楚这几个是什么?它们之间的联系是什么?

杰森写代码 1327

收藏!小白也能懂的AI生态核心概念:LLM、RAG、MCP、Agent关系详解

听懂掌声。没听懂也不要紧,接下来细说这些名词具体都是干嘛的。

m0_48891301的博客 1121
上一篇: 大模型如何获得Agent能力
下一篇: 一文搞懂大模型:何为深入理解Agent?
程序员_大白
博客等级 码龄5年 1万+粉丝 4001原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值