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

一、RAG：讓模型學(xué)會(huì)翻資料

大模型的知識(shí)截止于訓(xùn)練時(shí)刻，這是天生局限。RAG的思路很簡(jiǎn)單：用戶提問(wèn)時(shí)，先從知識(shí)庫(kù)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(zhǔn)。技術(shù)手冊(cè)按章節(jié)切，問(wèn)答對(duì)按條目切，不同類(lèi)型策略不同。分片后生成向量，存入向量數(shù)據(jù)庫(kù)。

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

指令理解很關(guān)鍵?！霸趺磁洹焙汀芭溴e(cuò)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(huì)在檢索前加一層意圖識(shí)別。

進(jìn)階方向是GraphRAG——用知識(shí)圖譜組織信息。實(shí)體關(guān)系預(yù)先抽取，檢索時(shí)沿著圖譜走，能回答更復(fù)雜的問(wèn)題。比如“A和B合作過(guò)哪些項(xiàng)目”，文檔片段難拼湊，圖譜能直接列出來(lái)。

二、MCP：讓模型學(xué)會(huì)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(kù)，不能調(diào)API，不能執(zhí)行代碼。MCP這類(lèi)協(xié)議解決的，就是模型與外部世界交互的問(wèn)題。

MCP定義客戶端-服務(wù)器架構(gòu)。模型作為客戶端，通過(guò)標(biāo)準(zhǔn)協(xié)議調(diào)用各種工具服務(wù)器。工具服務(wù)器封裝數(shù)據(jù)庫(kù)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(shí)現(xiàn)由服務(wù)器完成。

工具描述要規(guī)范。每個(gè)工具需清晰的名稱、描述、參數(shù)列表。模型根據(jù)問(wèn)題判斷調(diào)用哪個(gè)、填什么參數(shù)，描述不清容易選錯(cuò)。有的團(tuán)隊(duì)會(huì)寫(xiě)few-shot樣例幫助理解。

多步驟任務(wù)要管理。復(fù)雜問(wèn)題常需多次工具調(diào)用，且后面依賴前面?！安槟彻救ツ?duì)I收，再和同行比”，需先查數(shù)據(jù)庫(kù)拿到數(shù)據(jù)，再調(diào)分析工具對(duì)比。MCP支持任務(wù)鏈?zhǔn)秸{(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(lái)風(fēng)險(xiǎn)。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(rèn)，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(gè)智能體可把子任務(wù)委派給另一個(gè)，任務(wù)狀態(tài)可同步，為構(gòu)建復(fù)雜多智能體系統(tǒng)提供了標(biāo)準(zhǔn)化基礎(chǔ)。

三、智能體：從回答問(wèn)題到完成任務(wù)

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(wèn)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(wù)。“幫我訂下周去上海的機(jī)票”需要查時(shí)間、比價(jià)格、填信息、下單支付。每一步可能調(diào)用不同工具，過(guò)程中可能要追問(wèn)用戶。

任務(wù)規(guī)劃是核心。模型需把大目標(biāo)拆解成可執(zhí)行子任務(wù)。有的用CoT提示工程讓模型一步步想，有的用專(zhuān)門(mén)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(duì)話里，用戶可能中途修改需求，或同一個(gè)智能體處理多個(gè)任務(wù)。短期記憶緩存最近幾輪，長(zhǎng)期記憶存儲(chǔ)用戶偏好。MemGPT等框架把記憶做成層級(jí)結(jié)構(gòu)，重要信息持久化，臨時(shí)信息隨對(duì)話過(guò)期。

多模態(tài)支持很實(shí)用。用戶可能發(fā)截圖問(wèn)“這按鈕為什么點(diǎn)不了”，或語(yǔ)音描述故障。多模態(tài)智能體需對(duì)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(duì)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(gè)智能體能力有限，復(fù)雜任務(wù)需多角色協(xié)作。AutoGen等框架支持多智能體協(xié)同：一個(gè)負(fù)責(zé)計(jì)劃，一個(gè)執(zhí)行，一個(gè)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(wù)狀態(tài)同步，集中訓(xùn)練、分散執(zhí)行是常見(jiàn)范式。

四、從原型到產(chǎn)品還有多遠(yuǎn)

RAG、MCP、智能體，每項(xiàng)單看都不陌生，但整合到產(chǎn)品里會(huì)碰到一連串工程問(wèn)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(fù)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(dòng)化流程需加校驗(yàn)和兜底。置信度低于閾值時(shí)觸發(fā)人工接管，關(guān)鍵操作后讓用戶確認(rèn)。

成本。模型調(diào)用次數(shù)多，API開(kāi)銷(xiāo)不小。蒸餾模型、本地部署、小型模型處理常規(guī)任務(wù)、復(fù)雜問(wèn)題交給大模型，都是控制成本的手段。

評(píng)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(wù)完成率、多輪對(duì)話成功率、資源消耗。領(lǐng)域不同，指標(biāo)需定制。

大模型的能力邊界還在擴(kuò)展，但技術(shù)關(guān)注點(diǎn)正從“模型多強(qiáng)”轉(zhuǎn)向“系統(tǒng)多穩(wěn)”。RAG讓知識(shí)庫(kù)活起來(lái)，MCP讓工具鏈打通，智能體讓自動(dòng)化升級(jí)。這三塊拼圖拼起來(lái)，才可能做出真正落地的應(yīng)用。

工程師高培覺(jué)得理論是骨架，落地才是血肉。

審核編輯 黃宇