06 大模型应用(RAG / MCP / Agent)
来源:《案例冲刺宝典》第 16 章。重点★★★★★,近年新增热点。
1. RAG 检索增强生成(★★★★★)
解决问题:模型怎么拿到企业自己的知识(知识时效性、私有数据、减少幻觉)。
完整流程:
- 数据准备:收集企业文档(PDF、Word、网页等),清洗、去重。
- 分块策略(Chunking):按语义/固定长度切分,设置重叠窗口;块大小影响检索精度与上下文完整性。
- 向量化 Embedding:用嵌入模型把文本块转为高维向量,保留语义信息。
- 索引存储:向量存入向量数据库(如 Milvus、Pinecone),建立 ANN 近似最近邻索引。
- 检索增强:用户问题向量化 → 在向量库检索相似块(Top-K)→ 与问题拼成增强 Prompt。
- 生成答案:大模型基于检索到的上下文生成答案,并附带来源引用。
- 优点:无需微调即可注入新知识、可溯源、降低幻觉。
- 挑战:分块质量、检索召回率、上下文长度限制、向量库选型。
2. MCP 模型上下文协议(★★★★★)
解决什么问题:大模型与外部工具/数据源之间的接口标准不统一,每接一个工具都要单独适配。MCP 提供统一协议,让模型以标准方式发现并调用外部能力与数据。
- 类比:像”AI 应用的 USB-C 接口”,标准化连接。
- MCP 工具组成:
- Tools(工具):可被模型调用的函数/操作(如查询数据库、发邮件)。
- Resources(资源):可读取的数据源(文件、数据库记录)。
- Prompts(提示模板):预定义的提示词模板。
- 架构:MCP Host(AI 应用)→ MCP Client(协议客户端)→ MCP Server(暴露能力的服务)。
3. 智能体 Agent(★★★☆☆)
- 简介:能感知环境、自主决策、调用工具完成任务的系统;以大模型为”大脑”。
- 架构:大模型(推理规划)+ 工具集(执行)+ 记忆(短期上下文/长期存储)+ 感知与行动接口。
- ReAct 模式:Reasoning + Acting 交替——先推理(Thought)→ 调用工具(Action)→ 观察结果(Observation)→ 再推理,循环直到完成任务。
- 规划-执行模式(Plan-and-Execute):先由规划器拆解任务为子任务序列,再由执行器逐一执行,适合复杂长流程任务。
- Skill(★★★★★):封装可复用的领域能力/操作流程供智能体调用,是智能体能力扩展的关键单元。
4. 案例答题要点
给出企业智能客服/知识助手场景,要求设计架构。答题主线:知识如何入库(RAG 数据准备→分块→向量化→索引)→ 用户提问如何检索增强 → 如何调用外部系统(MCP/Agent + 工具)→ 如何保证准确性与可溯源。结合安全性(权限控制、敏感信息过滤)展开。
