MCP、RAG、Agent之间的概念和关系,被我和AI协作的12张图总结了

MCP、RAG、Agent:概念与关系

核心概念

RAG(检索增强生成)

RAG将信息检索与文本生成相结合,创造更准确、信息更充分的回应。

  • 功能:从知识库中检索相关文档,并用它们增强生成过程
  • 主要优势:使AI回应建立在事实信息基础上,减少幻觉(hallucinations)
  • 组成部分:知识库、检索组件(嵌入模型和向量数据库)、生成模型(语言模型)

Agent(智能代理)

一种能够感知、决策和行动以实现特定目标的自主AI系统。

  • 功能:基于观察和目标在环境中采取行动
  • 核心组件:感知模块、推理/决策模块、工具使用能力
  • 例子:客户服务代理、数据分析代理、复杂任务处理代理

MCP(模型上下文协议)

一种连接AI助手与外部系统的开放标准,使模型能够获取上下文信息。

  • 功能:实现AI模型与外部数据源和工具的标准化通信
  • 主要优势:提供统一接口,简化AI与各类系统的集成
  • 组成部分:客户端-服务器架构、标准化通信协议、工具调用接口

概念之间的关系

RAG ↔ Agent

  • RAG常作为代理内的知识组件,提供事实基础
  • 代理利用RAG访问相关信息,做出更明智的决策
  • 当结合使用(Agentic RAG)时,代理的决策能力与RAG的知识能力相互增强

Agent ↔ MCP

  • MCP为代理提供与外部系统交互的标准化接口
  • 代理可以通过MCP调用工具、获取数据,扩展其行动能力
  • MCP简化了代理与多种外部服务的集成,提高了开发效率

MCP ↔ RAG

  • MCP可以作为RAG系统获取外部知识的通道
  • 通过MCP连接的数据源可以丰富RAG的知识库
  • MCP标准化了RAG系统访问各类数据仓库的方式

实际实现

在一个完整的AI系统中,这些元素协同工作:

  1. 代理通过MCP与外部系统建立连接
  2. 代理使用RAG检索并整合相关知识
  3. 系统结合决策能力和事实信息处理复杂任务

这种整合方法创造出比任何单一组件都更强大、更可靠、更适应性强的AI系统,

能够理解上下文,检索相关信息,并采取适当行动完成任务。


解意:MCP、RAG、Agent:概念与关系

原始概念

您提供了关于RAG(检索增强生成)、Agent(智能代理)和MCP(模型上下文协议)的技术文档,

这些是现代AI系统的三个关键组件及其相互关系。

核心解读

这三个概念实际上是现代AI系统的三种基本能力:

  • RAG: AI的"查资料"能力
  • Agent: AI的"思考决策"能力
  • MCP: AI的"使用工具"能力

当这三种能力结合在一起,AI就能像一个全能助手那样工作了。

词汇简化

  • RAG(检索增强生成):让AI能查找事实信息并用它来回答问题的技术,就像给AI配了一个图书馆
  • 幻觉(hallucinations):AI编造出来的不真实信息,就像人做白日梦
  • 嵌入模型:把文字转换成数字的工具,让计算机能理解文字的含义
  • 向量数据库:存储已转换成数字的文字信息的仓库
  • Agent(智能代理):能自己做决定并采取行动的AI系统,就像一个有自主性的助手
  • MCP(模型上下文协议):AI与外部工具和系统交流的标准语言,就像各种设备之间的通用转接头

句式简化

原文:“RAG将信息检索与文本生成相结合,创造更准确、信息更充分的回应。”

简化:RAG让AI先查资料,再回答问题,这样回答会更准确。

原文:“Agent是一种能够感知、决策和行动以实现特定目标的自主AI系统。”

简化:Agent是能自己思考并采取行动来完成任务的AI。

原文:“MCP是一种连接AI助手与外部系统的开放标准,使模型能够获取上下文信息。”

简化:MCP是让AI能够与外部工具交流的通用语言。

生活例子

RAG就像一个认真的学生:想象一个学生写论文。不懂的内容,他不会瞎编,而是去图书馆查资料,找到相关书籍,然后基于这些可靠信息来写论文。RAG就是AI的"查资料"能力。

Agent就像一个私人助理:假设你告诉助理:"帮我安排下周去北京的商务旅行。"一个好助理会自己决定需要预订机票、酒店、安排会议时间等,并自己完成这些任务。Agent就是AI的这种"理解目标并自主行动"的能力。

MCP就像一个万能转接头:你可能有过这种经历:带着国内的充电器去国外,发现插不进插座。这时你需要一个转接头。MCP就是AI的"转接头",让AI能够连接和使用各种外部工具和数据源。

知识关联

想想你自己如何完成一项复杂任务:

  1. 你需要知识(类似RAG)
  2. 你需要决策能力(类似Agent)
  3. 你需要使用工具的能力(类似MCP)

例如,烹饪一道新菜:你会查菜谱(RAG),根据实际情况调整做法(Agent),使用各种厨具(通过MCP连接)。

启发思考

  • 如果AI只有RAG能力(只会查资料),但不会思考和使用工具,它能解决什么样的问题?有什么局限?
  • 如果AI只能思考决策(Agent),但没有可靠的信息来源(RAG),会发生什么?
  • 没有标准接口(MCP),每个工具都需要特殊连接方式,会给AI使用工具带来什么挑战?
  • 你能想象这三种能力完美结合的AI能帮你完成什么任务吗?

重新表达

你有一个超级智能助手。这个助手有三种超能力:

首先,它有"超级记忆"(RAG)。不管你问什么,它都能迅速查找到准确的信息,而不是凭空想象或编造答案。比如你问"昨天的股市怎么样",它会立刻找出真实数据告诉你。

其次,它有"独立思考"的能力(Agent)。你只需告诉它你想要什么结果,它就能自己思考并决定如何一步步实现。比如你说"帮我策划一次旅行",它会自动考虑预算、时间、景点等因素并给出完整计划。

第三,它有"万能连接器"(MCP),能够使用各种外部工具和系统。需要发邮件?预订机票?计算复杂数学问题?它都能连接到适当的工具来完成。

当这三种能力结合在一起,你就拥有了一个既知识丰富,又能独立思考,还能使用各种工具的全能助手。这就是现代AI系统通过结合RAG、Agent和MCP所追求的目标。


图意:MCP、RAG、Agent:概念与关系

概念:

Image

Image

Image

Image

Image

Image

Image

Image

Image

关系:

Image

Image

Image

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费

在这里插入图片描述

### RAG Agent 实现与 MCP 框架组件 RAG(Retrieval-Augmented Generation)是一种结合检索增强生成的方法,能够有效解决传统大语言模型的知识时效性准确性问题[^3]。通过引入外部知识库或文档作为输入的一部分,RAG使得模型能够在推理过程中动态获取最新信息。 在实际实现中,可以采用如下方式来设计基于MCP(Multi-Component Pipeline)框架的RAG Agent: #### 架构概述 1. **检索模块** 使用向量数据库或其他高效检索引擎,在大量结构化或非结构化的数据集中快速找到最相关的片段。这些片段随后被传递给后续的大语言模型用于上下文理解[^4]。 2. **Agent 控制器** 这部分负责任务分解工具调用逻辑的设计。具体来说,它会依据用户的请求制定计划,并决定何时以及如何利用其他辅助功能(比如特定API接口或者预训练好的子模型)。例如,“订票”这一操作可能涉及多个阶段——查询航班时间表、比较价格选项直至最终确认预订细节[^2]。 3. **记忆机制** 记忆单元用来保存之前的交流记录以便维持长时间跨度内的对话一致性。这对于某些需要反复澄清需求的应用场合尤为重要,如客户服务聊天机器人等场景下保持良好的用户体验至关重要[^4]。 #### 技术栈推荐 为了搭建这样一个复杂的系统架构,可以选择一些流行的开源技术平台来进行集成开发工作: - **LangChain**: 提供了一套完整的链路支持从原始资料提取到最终响应呈现整个过程中的各个环节衔接顺畅; - **FAISS/ChromaDB**: 高效矢量化存储方案帮助加速近似最近邻搜索速度从而提升整体性能表现; - **DeepSpeed/Megatron-LM**: 如果考虑自行微调基础LLMs,则上述两个项目提供了优化后的分布式训练算法降低资源消耗成本的同时加快收敛速率。 下面给出一段简单的Python伪代码展示基本思路: ```python from langchain import PromptTemplate, LLMChain import faiss # 或 chromadb 等替代品 class RagBasedAgent: def __init__(self, llm_model, db_index_path): self.llm = llm_model self.db_index = faiss.read_index(db_index_path) def query_relevant_docs(self, question): vectorized_question = ... # 将问题转化为嵌入表示形式 distances, indices = self.db_index.search(vectorized_question, k=5) relevant_documents = [...] # 根据索引取出对应文档内容 return "\n".join(relevant_documents) def generate_answer(self, user_input): context_info = self.query_relevant_docs(user_input) template = """Given the following extracted parts of a long document and a question, provide an accurate answer. Context Information:\n{context}\n\nQuestion:{question}""" prompt_template = PromptTemplate(template=template, input_variables=["context", "question"]) chain = LLMChain(prompt=prompt_template, llm=self.llm) response = chain.run({"context": context_info, "question": user_input}) return response if __name__ == "__main__": model_instance = load_pretrained_llm() # 加载已有的大型语言模型实例 agent = RagBasedAgent(model_instance, "./data/faiss_index") while True: inp = input("Ask me anything:") ans = agent.generate_answer(inp) print(f"Answer is {ans}") ``` 问题
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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