大模型能力越來越強，但落地沒那么快。從單次對話到多步任務，中間隔著系統(tǒng)工程。這篇文章聊三個繞不開的技術(shù)方向：RAG、MCP和智能體。

一、RAG：讓模型學會翻資料

大模型的知識截止于訓練時刻，這是天生局限。RAG的思路很簡單：用戶提問時，先從知識庫里檢索相關(guān)內(nèi)容，再讓模型基于這些資料生成答案。

數(shù)據(jù)分片是關(guān)鍵第一步。文檔切太碎，上下文割裂；切太整，檢索不精準。技術(shù)手冊按章節(jié)切，問答對按條目切，不同類型策略不同。分片后生成向量，存入向量數(shù)據(jù)庫。

檢索不是終點。召回的片段需要排序篩選。兩階段檢索常見：先用向量召回一批，再用重排模型精排。重排能更細粒度判斷相關(guān)性，但計算成本高。

指令理解很關(guān)鍵?！霸趺磁洹焙汀芭溴e了怎么辦”指向不同文檔。只匹配關(guān)鍵詞容易跑偏，有的系統(tǒng)會在檢索前加一層意圖識別。

進階方向是GraphRAG——用知識圖譜組織信息。實體關(guān)系預先抽取，檢索時沿著圖譜走，能回答更復雜的問題。比如“A和B合作過哪些項目”，文檔片段難拼湊，圖譜能直接列出來。

二、MCP：讓模型學會用工具

大模型不能直接操作外部系統(tǒng)，這是硬傷。不能查數(shù)據(jù)庫，不能調(diào)API，不能執(zhí)行代碼。MCP這類協(xié)議解決的，就是模型與外部世界交互的問題。

MCP定義客戶端-服務器架構(gòu)。模型作為客戶端，通過標準協(xié)議調(diào)用各種工具服務器。工具服務器封裝數(shù)據(jù)庫查詢、代碼執(zhí)行、API調(diào)用等能力。模型只需知道“有什么工具、怎么調(diào)用”，實現(xiàn)由服務器完成。

工具描述要規(guī)范。每個工具需清晰的名稱、描述、參數(shù)列表。模型根據(jù)問題判斷調(diào)用哪個、填什么參數(shù)，描述不清容易選錯。有的團隊會寫few-shot樣例幫助理解。

多步驟任務要管理。復雜問題常需多次工具調(diào)用，且后面依賴前面。“查某公司去年營收，再和同行比”，需先查數(shù)據(jù)庫拿到數(shù)據(jù)，再調(diào)分析工具對比。MCP支持任務鏈式調(diào)用，中間結(jié)果可在上下文傳遞。

安全是底線。工具調(diào)用可能帶來風險。協(xié)議通常支持沙盒隔離、權(quán)限控制。敏感操作需用戶二次確認，或限定特定環(huán)境執(zhí)行。

Google新推出的A2A協(xié)議也值得關(guān)注，它關(guān)注多智能體協(xié)作：一個智能體可把子任務委派給另一個，任務狀態(tài)可同步，為構(gòu)建復雜多智能體系統(tǒng)提供了標準化基礎(chǔ)。

三、智能體：從回答問題到完成任務

RAG讓模型能查資料，MCP讓模型能調(diào)工具，兩者結(jié)合，就能做出真正干活的智能體。

智能體與問答系統(tǒng)的區(qū)別在于：它有狀態(tài)，能規(guī)劃，能執(zhí)行多步驟任務。“幫我訂下周去上海的機票”需要查時間、比價格、填信息、下單支付。每一步可能調(diào)用不同工具，過程中可能要追問用戶。

任務規(guī)劃是核心。模型需把大目標拆解成可執(zhí)行子任務。有的用CoT提示工程讓模型一步步想，有的用專門規(guī)劃器把拆解和調(diào)用分離。規(guī)劃質(zhì)量直接影響成功率。

記憶管理要分層。多輪對話里，用戶可能中途修改需求，或同一個智能體處理多個任務。短期記憶緩存最近幾輪，長期記憶存儲用戶偏好。MemGPT等框架把記憶做成層級結(jié)構(gòu)，重要信息持久化，臨時信息隨對話過期。

多模態(tài)支持很實用。用戶可能發(fā)截圖問“這按鈕為什么點不了”，或語音描述故障。多模態(tài)智能體需對齊文本、圖像、音頻信息，跨模態(tài)理解后統(tǒng)一決策。模態(tài)對齊和融合是底層關(guān)鍵技術(shù)。

群體智能是更高階形態(tài)。單個智能體能力有限，復雜任務需多角色協(xié)作。AutoGen等框架支持多智能體協(xié)同：一個負責計劃，一個執(zhí)行，一個質(zhì)檢，互相討論修正。多智能體通信需高效消息傳遞和任務狀態(tài)同步，集中訓練、分散執(zhí)行是常見范式。

四、從原型到產(chǎn)品還有多遠

RAG、MCP、智能體，每項單看都不陌生，但整合到產(chǎn)品里會碰到一連串工程問題。

速度。多步推理意味著多次模型調(diào)用，延遲累加。緩存策略、負載均衡、推理加速，每一層都得優(yōu)化。

穩(wěn)定性。模型生成不穩(wěn)定，同樣輸入可能不同輸出。用在自動化流程需加校驗和兜底。置信度低于閾值時觸發(fā)人工接管，關(guān)鍵操作后讓用戶確認。

成本。模型調(diào)用次數(shù)多，API開銷不小。蒸餾模型、本地部署、小型模型處理常規(guī)任務、復雜問題交給大模型，都是控制成本的手段。

評估。怎么判斷智能體做得好不好？不能只看單次回答質(zhì)量，要看任務完成率、多輪對話成功率、資源消耗。領(lǐng)域不同，指標需定制。

大模型的能力邊界還在擴展，但技術(shù)關(guān)注點正從“模型多強”轉(zhuǎn)向“系統(tǒng)多穩(wěn)”。RAG讓知識庫活起來，MCP讓工具鏈打通，智能體讓自動化升級。這三塊拼圖拼起來，才可能做出真正落地的應用。

工程師高培覺得理論是骨架，落地才是血肉。

審核編輯 黃宇