简介：本文以构建论文助手为线索，梳理Prompt工程、RAG与Agent三类AI能力的概念边界、协作关系与适用场景。通过对比其技术架构、解决的核心问题、能力局限及选型依据，帮助开发者和技术负责人在设计智能应用时，准确判断何时引入提示词优化、检索增强或任务编排，避免概念混淆与方案误用。
理解AI领域的新概念，逐个查定义往往越查越多。Prompt、RAG、Agent、MCP、Skill……这些词背后隐藏着一条清晰的需求演进线索：AI获得一种能力后，人们便会提出更高要求；使用中暴露出的限制，又催生了新的方法和组件。
设想我们要构建一个论文助手，希望它读完一篇摘要后，用中文解释研究内容。最初，我们依赖大语言模型完成这一任务。大模型通过海量文本训练，学习了语言规律及其中蕴含的知识，能够生成连贯、自然的文字。2017年提出的Transformer架构成为许多大语言模型的基础，推动了这一能力的成熟。
但“会生成文字”与“按用户意图完成任务”之间仍存在明显距离。模型可能偏离用户要求，可能输出无依据的内容，也可能无法获取最新信息。正是这些限制，依次催生了Prompt工程、RAG和Agent这几类关键技术形态。
Prompt工程是一套设计、测试和优化模型输入的方法论。它关注的是：如何用精确的语言、必要的背景信息和明确的约束条件，引导模型产生符合预期的输出。Prompt工程不要求模型本身有任何架构变化，而是从输入端解决问题。
以一个简单的提示词为例：
请用中文解释这篇摘要，分别说明研究问题、方法和主要发现。摘要没有提供的信息，请标注“未说明”。
这段提示词包含了任务描述、结构要求和边界约定，帮助模型稳定地输出有用内容。Prompt工程的核心在于：模型能力不变，通过改变输入质量来提升输出质量。
RAG，即检索增强生成，是另一种思路。它的出发点是：模型训练数据存在时效上限，且无法覆盖所有专业领域。当用户问“最近关于睡眠与记忆的研究有哪些新发现”时，仅凭模型内部知识，它可能不知道最新论文，甚至生成不存在的标题或引用。这种输出看起来合理、实际缺乏依据的现象，通常被称为“幻觉”。
RAG的应对方式是改变信息的来源结构：不在训练阶段将全部知识压缩进模型参数，而是在推理阶段动态地从外部知识库检索相关内容，把检索到的材料与用户问题一起交给模型，让模型基于这些材料生成回答。这样一来，模型不再“凭记忆作答”，而是“开卷考试”。
Agent则代表了更高层级的组织形态。它不再满足于“给定输入、生成输出”的单次交互，而是将大模型作为核心调度单元，围绕一个目标自主规划步骤、调用工具、观察结果并迭代执行。Agent通常具备任务分解、工具使用、状态维护和错误恢复等能力。
三者之间的关系可以理解为：Prompt工程优化单次交互的输入质量；RAG为模型引入外部知识，提升回答的可信度与时效性；Agent则把模型从“回答者”升级为“执行者”，让它能够推进多步骤的复杂任务。
尽管定位不同，这三类技术共享几个重要基础。
第一，都建立在大模型能力之上。 无论是优化提示词、嵌入检索流程，还是编排多步任务，底层都需要一个具备较强语言理解和生成能力的模型作为支撑。没有可靠的基础模型，上层的任何工程手段都难以发挥效果。
第二，都试图解决“模型能力与实际需求之间的鸿沟”。 Prompt工程解决“听不懂要求”的问题，RAG解决“不知道最新信息”的问题，Agent解决“只能回答、不能动手”的问题。它们的共同目标，是让模型在真实业务场景中更加可用。
第三，三者在实际系统中常常叠加使用。 一个成熟的Agent很可能同时包含精心设计的Prompt模板和RAG检索步骤。例如，一个能自动完成文献综述的Agent，首先需要通过Prompt约束任务范围，再通过RAG获取多篇原文，然后规划“提取论点—对比异同—生成综述”的步骤，每一步都涉及工具调用和结果校验。因此，将三者视为完全互斥的方案是不准确的。
Prompt工程解决的是意图对齐问题。模型知道很多，但需要用户用恰当的方式引导它输出用户真正需要的内容。其核心假设是：模型具备相关能力，只是没有被正确触发。
RAG解决的是知识时效与溯源问题。模型参数中的知识是训练时点的快照，无法覆盖训练后的新信息，也难以定位具体知识来源。RAG通过外部检索将“闭卷”变为“开卷”，使回答基于可引用的材料。
Agent解决的是任务复杂度问题。单次问答无法完成需要多步推理、多次工具交互、多条件判断的任务。Agent的目标是让模型在较长时间跨度内保持任务方向，自主处理中间状态。
Prompt工程架构最简单，通常只涉及输入构造与输出解析。它不需要引入额外组件，也不需要改变模型部署方式。
RAG在模型前后增加了检索链路。典型流程为：先将外部文档切片并向量化，存入向量数据库；用户提问后，系统对查询做向量化，从数据库中检索相似片段；将检索结果与原始问题拼接后送入模型生成回答。其架构核心在于“索引—检索—生成”三条流水线的协同。
Agent的架构更为复杂。它通常包含规划模块、记忆模块、工具调用接口和执行循环。规划模块负责任务分解与步骤排序；记忆模块保存中间结果与历史上下文；工具调用接口对接外部系统或API；执行循环持续判断“当前是否已完成目标”，若未完成则继续规划下一步动作。
Prompt工程对模型的要求相对基础，只要模型具备一定的指令跟随能力即可。这也是它被广泛采用的原因之一——成本低、上手快。
RAG对模型的上下文长度和整合能力提出了更高要求。检索到的片段可能来自多个文档，模型需要在有限窗口内理解多段材料的关联，并判断哪些信息与用户问题相关、哪些应当忽略。
Agent对模型的要求最高。它需要模型具备较强的规划能力、工具选择和调用能力、长程记忆管理能力，以及在部分步骤失败后调整策略的鲁棒性。
Prompt工程的主要局限在于：它无法为模型注入训练时没有掌握的知识，也无法解决模型本身的推理能力不足。如果模型对某个知识领域完全陌生，再精巧的提示词也只能获得有限的效果。
RAG的主要风险在于检索质量。如果知识库内容不完整、切片策略不当，或相似度计算不准确，检索到的材料可能不相关或存在偏差，模型据此生成的内容也会受影响。此外，RAG增加了系统复杂度和响应时延。
Agent的风险则集中在任务失控和工具误用上。多步执行过程中，错误可能逐步累积；工具调用可能产生不可逆的副作用；自主规划的行为也可能偏离用户的原始意图。因此Agent通常需要设置严格的权限边界与人工确认节点。
| 对比维度 | Prompt工程 | RAG | Agent |
|---|---|---|---|
| 核心问题 | 模型不理解用户要求 | 模型不知道最新或专业知识 | 模型只能单次回答，无法完成复杂任务 |
| 架构复杂度 | 低 | 中 | 高 |
| 额外组件 | 无 | 向量数据库、嵌入模型、检索服务 | 规划模块、记忆模块、工具接口、执行循环 |
| 对模型的要求 | 基础指令跟随 | 上下文整合与信息筛选 | 规划、工具调用、长程记忆 |
| 响应时延 | 与基础模型相近 | 检索增加一定时延 | 多步执行，时延较高 |
| 主要风险 | 提示注入、输出格式不稳定 | 检索不相关、知识库质量差 | 任务失控、工具误用、错误累积 |
| 典型适用场景 | 文本分类、格式转换、内容润色 | 知识问答、文档辅助阅读、基于资料写作 | 自动化流程、数据分析、多系统协同 |
优先考虑Prompt工程的场景，通常是任务边界清晰、模型已具备所需知识、输出格式要求明确的任务。例如，对一篇文章进行摘要提取，或按照固定模板整理信息。这类任务不需要外部数据，也不需要多步操作，精巧的提示词设计就能获得较好效果。Prompt工程也常作为其他两种方案的基础层，嵌入到RAG和Agent的调用环节中。
优先考虑RAG的场景，通常是知识密集型问答、时效性要求高的内容生成，以及需要回答可溯源的业务。例如，基于产品文档回答用户问题，或基于最新论文生成研究简报。判断标准是：用户问题的答案是否依赖模型参数之外的信息？如果答案依赖特定文档或实时数据，RAG是必要的增强手段。
优先考虑Agent的场景，通常是任务需要跨越多个系统、包含多步操作、存在条件分支或需要自主决策。例如，一个自动化研究助手需要从指定数据库中检索某类文献，读取全文后提取关键数据并填入表格，当数据缺失时能自动标记并继续处理下一篇。此类任务已超出单次问答的范畴，需要Agent的编排能力。
需要强调的是，这三者并非互斥。一个完整的智能应用往往同时使用：用Prompt模板约束每步输出格式，用RAG获取领域知识，用Agent组织多步流程。架构设计的关键，是根据任务需求选择最合适的组合，而非追求概念上的“完整度”。
选型时建议从以下几个问题出发，按顺序判断：
另一个值得注意的原则是：复杂度应当与任务需求匹配。为一个简单的文本摘要任务引入Agent框架，不仅增加开发和运维成本，还会带来不必要的执行风险。相反，对于一个需要跨系统协同的自动化流程，仅依靠Prompt工程则难以满足需求。
在已有系统中引入RAG或Agent，通常涉及架构调整与数据链路改造。
引入RAG时，需要重点关注知识库的构建与更新流程。文档如何切分、是否保留层级结构、元数据如何标注、索引何时重建，这些都会直接影响检索质量。同时需要评估向量数据库的选型、查询时延对用户体验的影响，以及回答中证据来源的呈现方式。
引入Agent时，需要重点关注权限边界和失败恢复。工具调用的操作范围应严格限制在必要的最小集合内；涉及不可逆操作时，应增加人工确认环节。对于长任务，还需设计中间状态落盘机制，避免执行中断后从头开始。此外，日志与审计能力必不可少，便于事后追溯每一步的决策依据。
从单一方案演进到组合方案时，建议采用增量式改造。先在现有Prompt链路中加入RAG检索，验证知识质量与回复提升是否符合预期；再根据任务复杂度评估是否引入Agent编排。一次性引入所有组件会显著提高排障难度。
Prompt工程、RAG和Agent代表了AI应用开发中三个不同层次的能力扩展方向。Prompt工程优化“怎么说”，RAG补充“依据什么说”，Agent则决定“如何去做”。它们解决的问题不同，架构复杂度不同，对模型的要求也不同。
理解三者关系的核心在于：它们不是竞争关系，而是需求演进的自然结果。从单次高质量问答，到基于外部知识的可信回答，再到多步骤自主执行，每一步都建立在前一步能力的基础之上。选型时不应追求概念的堆砌，而应从任务的实际复杂度出发，选择与需求匹配的最小必要组合。