MCP、RAG、Agent之间的概念和关系，被我和AI协作的12张图总结了

最新推荐文章于 2025-04-25 14:40:34 发布
原创 最新推荐文章于 2025-04-25 14:40:34 发布
· 1.1k 阅读 · 24 ·
版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #microsoft #语言模型 #自然语言处理 #网络 #算法

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

突破 RAG 检索瓶颈：Trae+MCP 构建高精度知识库检索系统实践
开源就要来点实在的
04-22 5171
本文通过完整的技术解析和实战指南，展示了如何利用 Trae+MCP+PostgreSQL 构建高精度知识库检索系统。这一方案不仅解决了传统 RAG 的核心痛点，更开创了大模型与传统数据库协同的新范式。随着技术的不断演进，这种 “AI 增强型数据架构” 将成为企业数字化转型的标配，推动智能应用从 “能用” 走向 “好用” 的新阶段。（相关操作视频可在 Trae 官网开发者社区获取）
终于有人讲清楚MCP、 RAG、 Agent之间的关系和概念了！
最新发布
qq_46094651的博客
05-08 949
接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我自学没有方向怎么办？主要优势: 提供统一接口，简化 AI 与各类系统的集成。
MCP与RAG：增强大型语言模型的两种路径
十年运维开发经验的王义杰在此分享自己的知识和经验
03-02 5175
MCP允许LLM作为AI代理的一部分，与工具互动，这些工具通常托管在服务器上，可以被不同框架使用，即使这些框架使用不同的编程语言。另一方面，RAG更适合需要保持信息最新和准确的场景，例如企业聊天机器人需要回答与产品或服务相关的问题，而这些信息可能超出了LLM的训练数据范围。从表中可以看出，MCP和RAG在增强LLM能力方面有一定的相似性，例如都涉及外部信息或工具的利用，但它们的侧重点不同。指出，RAG解决了LLM的几个挑战，如幻觉和知识过时问题，通过从外部数据库中获取信息来增强生成的可信度和准确性。
12张图清晰总结 MCP、RAG、Agent 架构设计间的关系
musicml的博客
03-29 1285
当 RAG 与 Agent 结合使用（即 Agentic RAG）时，Agent 的决策能力和 RAG 的知识能力相互增强，提升整体性能。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。系统结合决策能力和事实信息处理复杂任务：Agent 将检索到的知识与自身的决策能力相结合，处理复杂的任务，生成准确、可靠的回应。从 MCP 的提示混合机制，到 RAG 的知识检索增强，再到 Agent 的自主决策框架等多个方面。
一图胜千言：12张图清晰解析MCP、RAG、Agent架构设计之间的关系！
2401_84494441的博客
03-29 1255
MCP、RAG、Agent 这些概念最近热度飙升，成了 AI 领域的热门话题。然而，我发现身边不少朋友对这些概念还是一知半解。为了帮助大家更好地理解，精心绘制了 12 张简单易懂的架构图解。这些架构图解涵盖了从 MCP 的提示混合机制，到 RAG 的知识检索增强，再到 Agent 的自主决策框架等多个方面。第一、核心概念1、RAG（检索增强生成）定义：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。
一文看懂Agentic RAG+MCP ，开启智能检索新时代！
weixin_72959097的博客
04-25 955
RAG工作起来是这样的：用户提个问题，系统就会拿着这个问题去知识库（一般是通过向量数据库里的嵌入技术）找相关信息，找到最匹配的文档后，把这些文档“塞”到模型的提示里，辅助模型给出靠谱的回答。这一招可太妙了，不仅能减少模型“瞎编乱造”的情况，还能在回答里用上特定领域或私人的数据。不过呢，传统RAG也有自己的“小脾气”。它通常只能查询单一数据源，而且就检索一次。要是一开始搜出来的结果不给力，或者用户问题问得有点“奇葩”，那最终答案的质量就很难保证了。
AI助我绘制12张图，彻底搞懂MCP、RAG、Agent之间的关系！
m0_63171455的博客
04-09 1087
MCP、RAG、Agent 最近太火了，搞 AI 的都在聊，但发现身边很多朋友其实并不太懂这些概念花了一整天和 AI 协作，终于把这些复杂概念画成了 10 张易懂的图解从 MCP 的提示混合机制，到 RAG 的知识检索增强，再到 Agent 的自主决策框架，每张图都尽量简化到小白也能看懂的程度。建议：从文意到解意到图意去理解。其实技术没那么难懂，只是需要有人用简单方式解释而已。
Agent-MCP开源动手实践指引及CausalRAG将因果关系用于RAG实现思路
m0_59164520的博客
03-29 807
(基于分析结果，生成一个包含关键因果信息的摘要，这个摘要将用于后续的生成过程，以确保生成的响应既相关又准确）。拆开来看一些细节，看因果路径分析的输入和输出。输入方面，主要包括初始节点集合、扩展的节点和边集合、图结构以及扩展参数。其中，
12张架构关系图可视化解析：MCP/RAG/Agent 设计模式全对照
2401_85373691的博客
03-30 1794
大模型很多技术干货，都可以共享给你们，如果你肯花时间沉下心去学习，它们一定能帮到你！
AI助手要觉醒？揭秘RAG、Agent、MCP三大超能力如何让它无所不能！
2401_85343303的博客
03-26 1015
你有没有想过，为什么现在的AI助手突然变得这么“聪明”？它能三秒内查清股市数据、自动安排你的差旅行程，甚至帮你写专业报告。这背后，其实是AI界悄悄解锁了三大超能力——超级记忆、自主思考、万物互联。今天我们就用人话拆解这些黑科技！超能力一：超级记忆（RAG）一句话解释：AI终于学会“查资料再答题”了！想象你让AI写一份《2024年新能源汽车报告》，以前的AI可能会瞎编数据，但现在——1️⃣ 翻资料：它秒速搜索全球数据库、行业白皮书2️⃣ 筛重点：从海量信息中抓取最新电池技术、政策法规。
AI探索实践6 - 打造企业智能体(AI Agent)的重要技术-RAG
专注AI领域的技术研究探索、技术落地
02-29 1088
RAG模型正在给智能化服务领域带来一场变革。客服机器人、虚拟助手将因RAG的进步而变得更加智能，能够提供更加精准和个性化的服务。随着RAG模型对上下文的理解能力增强，它们将能够更自然地参与到复杂对话中，提供无缝的用户体验。
RAG聊天机器人 VS AI Agent：哪个更高效？
xx_nm98的博客
08-22 1173
RAG 的全称是 Retrieval-Augmented Generation（检索增强生成），这是一种先进的 AI 框架。它采用大型语言模型 (LLM)，并使用内部数据源对其进行增强。RAG 聊天机器人结合了基于检索的 AI 模型和生成 AI 模型（大型语言模型），以提供准确且与上下文相关的响应。RAG 有什么特点？精确度：RAG 聊天机器人的响应更准确。上下文：它们根据最相关的信息进行理解和响应。最新信息：RAG 从文档数据库或企业系统实时提取数据。
AI领域的RAG与AGENT的对比
lvaolan168的博客
12-12 644
随着人工智能技术的发展，RAG与AGENT的研究和应用正逐渐成为AI领域内的热点话题，它们在提高智能系统的性能和扩展能力方面发挥着关键作用。通过结合两者的优点，可以构建出更加智能化、自适应性强且能够处理复杂任务的系统，从而推动AI技术在各个领域的创新与发展。读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用如果你是零基础小白，想快速入门大模型是可以考虑的。一方面是学习时间相对较短，学习内容更全面更集中。二方面是可以根据这些资料规划好学习计划和方向。
MCP + 数据库，一种比 RAG 检索效果更好的新方式！
学习、分享
04-07 1177
大家好，欢迎来到 code秘密花园，我是 ConardLi。在今天这一期，我们将一起学习一种基于 MCP 提高大模型检索外部知识精度的新思路，实测比 RAG 效果要好很多。
【大模型应用开发 动手做AI Agent】从用户角度看RAG流程
AI天才研究院
05-27 652
1.背景介绍 随着深度学习和自然语言处理技术的迅猛发展，人工智能（AI）和机器学习（ML）已经成为我们日常生活中不可或缺的一部分。从智能家居到自驾汽车，再到人脸识别，AI和ML已经渗透到了我们生活的每一个角落。 然而，在这些技术的背后，开发AI Agent的过程却并非一帆风顺。在过去的几年里，AI社区一直在探讨如何更好地开发和部署AI A
AG、AI Agent与多模态：从理论到实践的全面解读
程序员鑫港的博客
05-11 1494
在这个快速发展的数字时代，生成式 AI 不仅仅是一个概念，而是正在被塑造成为未来技术生态系统的核心。随着 LLM 的崛起，我们正处于一场技术革命的前沿。在 QCon 上海站上，王元讲师从构建企业级智能问答机器人方面的实战经验入手，深入分享了私有数据的接入、代理框架的运用，到多模态实践、语义缓存技术等 LLM 的新技术与新实践。本文为演讲整理文～这次交流的主题是“Agent”，但我认为 Agent 并非独立存在，而是依赖于其他技术的融合。首先是私域数据，它对 Agent 来说，保证了输入源的处理。
小学生也能听得懂的大模型 - Transformer 1
2401_85325557的博客
07-29 1354
参考 [小学生也能听得懂的大模型 Transformer 1]
rag agent mcp
04-16
### 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和准确性问题[^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和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和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

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