简介:本文系统对比大模型应用开发中最易混淆的一组核心概念:系统提示词与用户提示词、函数调用与工具、标准化连接协议与原生函数调用、检索增强生成与长上下文,以及Agent与普通对话机器人的本质差异。帮助你厘清每个名词背后的原理、职责与使用边界,理解它们如何协同组成完整的Agent,并给出条件化的选型思路与迁移注意事项。
在开发基于大语言模型(LLM)的应用时,开发者常常会遇到一连串看似相关却又边界模糊的技术名词:user prompt、system prompt、function call、tools、MCP、RAG、agent。很多资料停留在概念罗列,导致读者”知道名字却不知道原理”。本文不追求覆盖每一个细节,而是以”对比”为主线,把这些名词放进同一套坐标系中,回答三个核心问题:它们分别是什么、彼此有什么区别、在实际项目中该如何选择。
这些概念之所以容易混淆,根源在于它们分布在应用的不同”层”上,却经常被混在一起讨论:
因为分层不同,它们不是互相替代的关系,而是互补与组合的关系。理解这一点,是做好 Agent 的第一步。
System Prompt(系统提示词)与 User Prompt(用户提示词):两者都是喂给模型的文本指令,但角色不同。System Prompt 通常由开发者设定,用于规定模型的身份、语气、行为边界、输出格式等全局约束,在一次会话中相对稳定且优先级较高;User Prompt 则是终端用户具体输入的提问或任务,随交互变化,优先级相对较低。可以理解为:System Prompt 定义”你是谁、怎么做”,User Prompt 定义”这次具体做什么”。
Function Call(函数调用)与 Tools(工具):这是最容易被混为一谈的一对。Function Call 是一种机制或协议——模型在需要时输出结构化的调用意图(函数名+参数),由应用程序去执行;Tools 则是被暴露给模型的可用能力清单——每一个 tool 是模型可调用的一个具体函数,附带名称、用途描述与参数定义。简单说,tools 是”有哪些能力”,function call 是”如何发起调用”的通道。
标准化连接协议(如 MCP 一类方案)与原生 Function Call:原生 function call 往往要求开发者为每个工具手写接入逻辑,工具与模型应用之间强耦合。标准化连接协议(行业里常见的一类”模型上下文协议”思路)则试图在模型应用与外部工具/数据源之间定义一层统一接口,使同一套工具能被多个应用复用,降低反复适配的成本。它解决的是工具生态的复用与解耦问题,而不是替代 function call 本身。
RAG(检索增强生成)与长上下文:两者都是为了给模型补充知识,但路径不同。RAG 是先把外部知识切分、向量化并存入知识库,回答时检索出相关片段再拼进提示词;长上下文则是把大量材料直接塞进一次请求的上下文窗口。前者胜在知识可更新、token 成本可控,后者胜在实现简单、无检索误差。
Agent(智能体)与普通对话机器人:普通对话机器人是”一问一答”,被动响应;Agent 则具备感知—规划—调用工具—观察结果—再决策的循环能力,可以自主分解任务、多步执行,直到达成目标。Agent 通常是上述所有能力的组合体。
尽管定位不同,这些概念共享几个共性:
从职责维度看:system/user prompt 负责”输入控制”,function call 与 tools 负责”动作扩展”,MCP 类协议负责”连接标准化”,RAG 与长上下文负责”知识注入”,agent 负责”流程编排”。它们回答的是不同问题,不能相互替代。
从耦合与复用维度看:原生 function call 接入快但耦合高,工具越多维护越重;标准化连接协议接入初期有一定规范成本,但换来的是跨应用复用与生态共享。在工具数量多、团队需共享工具的场景下,标准化协议的解耦价值更明显。
从知识时效维度看:RAG 适合知识频繁更新、需要溯源、上下文可能超长的场景;长上下文适合材料固定、体量适中、且希望省去检索链路带来的误差与复杂度的场景。当知识库庞大或需要引用来源时,RAG 通常更合适;当材料是一次性、可控且强调零检索误差时,长上下文更直接。
从自主度维度看:普通对话是单轮响应,确定性高、易测试;Agent 自主度更高、能处理复杂多步任务,但也带来更强的不可预测性、更高的调试与成本控制难度。自主度与可控性之间存在天然的权衡。
| 概念 | 所在层 | 核心职责 | 主要解决的问题 | 关键使用边界 |
|---|---|---|---|---|
| System Prompt | 输入层 | 全局行为约束 | 统一模型角色与输出规范 | 过长或指令冲突会降低遵循度 |
| User Prompt | 输入层 | 具体任务表达 | 传达本次交互需求 | 依赖用户表达质量 |
| Function Call | 能力层 | 调用通道机制 | 让模型发起结构化动作 | 需严格参数校验与权限控制 |
| Tools | 能力层 | 可调用的能力清单 | 扩展模型可执行范围 | 工具越多,描述与维护成本越高 |
| MCP 类协议 | 能力层 | 标准化连接接口 | 降低工具复用与适配成本 | 需评估生态成熟度与稳定性 |
| RAG | 知识层 | 检索后注入知识 | 提供可更新、可溯源的外部知识 | 受检索质量与切分策略影响 |
| 长上下文 | 知识层 | 直接注入材料 | 省去检索链路的直接补知识 | 受上下文窗口与成本限制 |
| Agent | 编排层 | 自主规划与执行 | 完成复杂多步任务 | 需终止条件、可观测性与安全护栏 |
选型不应绝对化,建议按以下条件判断:
当项目从简单方案向 Agent 或引入新组件迁移时,需重点关注:
这套名词并非彼此替代,而是分层协作:提示词管”输入与约束”,工具与函数调用管”动作”,标准化协议管”连接与复用”,RAG 与长上下文管”知识”,Agent 管”编排与自主”。做 Agent 的关键不在于堆概念,而在于先想清楚任务需要哪一层能力,再按可控性、成本与维护能力做出条件化选择。理解每个组件的原理与边界,才能让它们组合出既强大又可控的应用。百度智能云等主流平台通常会在托管化能力(如模型服务、向量检索、日志与监控等通用类目)上提供支撑,可作为降低运维门槛的参考方向。