简介:本文厘清RAG、MCP与Agent三者的定位差异:RAG解决知识时效,MCP解决外部系统的标准化接入,Agent负责多步任务的自主执行。文中给出对比表、选型步骤与接入检查清单,帮助读者判断项目需要哪一层能力,并掌握权限、审计与评估的基本做法。
在同一个AI应用里,RAG、MCP和Agent经常同时出现。三者都能让模型做更多事情,于是容易被当成同类技术互相替代。实际上它们处在不同层次。RAG处理知识来源,MCP处理外部能力的接入方式,Agent处理任务的执行过程。一个系统可以只用其中一项,也可以三项叠加使用。
大语言模型训练结束后,知识停留在训练数据截止的时间点。它无法主动读取企业文档,也无法直接查询工单或数据库。开发者落地业务时,通常会遇到三类问题:知识不新、不全,回答容易过时或编造;每个外部系统的接入方式不同,维护成本高;单次问答无法完成需要拆解、判断并反复调用工具的任务。
RAG的全称是Retrieval-Augmented Generation,中文译为检索增强生成。模型回答前,系统先从指定知识库中检索相关片段,再把片段和用户问题一起放入提示词,让模型基于这些材料作答。
RAG解决的是“知识从哪里来”的问题。知识库可以是制度文档、产品手册或最新资讯。更新文档即可更新回答依据,无需重新训练模型。
适用边界:RAG只读取知识,不负责修改业务系统的数据。它的效果高度依赖文档切分方式、检索质量和文档本身的准确性。检索不到相关内容时,模型仍可能编造答案,因此需要在提示词中要求模型标注来源,并允许其回答“资料中没有相关信息”。
MCP即模型上下文协议(Model Context Protocol),是一套让AI应用以统一方式连接外部工具、数据和提示模板的开放协议。协议包含三个角色:
连接建立时,客户端与服务端会交换能力声明,双方确认支持的功能。之后,模型提出工具调用请求,宿主通过客户端把请求发给服务端,服务端执行后返回结果。
适用边界:MCP只规定如何接入,不规定何时调用、调用几次、按什么顺序调用。这些决策由模型和宿主应用的逻辑承担。只用MCP而不加任务逻辑,得到的是一组可调用的工具,系统本身并不具备规划能力。
Agent即智能体,指以大语言模型为决策核心,围绕一个目标反复执行“观察、规划、调用工具、评估结果”的系统。它把复杂目标拆成若干步骤,并根据每一步的结果调整下一步动作。
一个典型的Agent包含四个要素。目标与指令说明任务是什么。工具集合列出可调用的能力,常由MCP服务端或普通函数提供。记忆与状态保存已完成的步骤和中间结果。终止条件规定何时停止,包括达到目标、超出最大步数、预算用尽或需要人工接手。
Agent循环若缺少终止条件,可能无限调用工具并产生高额费用,因此终止条件必须在设计时明确。
适用边界:Agent的可靠性取决于模型的判断能力和工具的质量。它不适合需要完全确定结果的环节,例如金额计算或合规审批的最终签字。这类环节应由确定性代码或人工完成。
| 维度 | RAG | MCP | Agent |
|---|---|---|---|
| 解决的问题 | 知识时效与准确性 | 外部系统接入标准化 | 多步任务的自主执行 |
| 核心输入 | 用户问题与检索到的片段 | 工具定义、资源和调用参数 | 目标、工具集合与历史状态 |
| 输出 | 基于材料生成的回答 | 工具或资源的执行结果 | 任务完成结果或中间产物 |
| 依赖关系 | 依赖向量库或搜索索引 | 依赖服务端实现与宿主支持 | 通常依赖RAG或MCP提供的能力 |
| 典型场景 | 制度问答、产品手册检索 | 读写数据库、查询工单、访问文件 | 排查故障、生成并提交报告 |
| 不适用场景 | 需要写入或执行操作的任务 | 需要判断下一步做什么的任务 | 对结果要求绝对确定的环节 |
| 主要风险 | 召回不准、旧文档误导 | 权限过大、服务端不可信 | 循环失控、成本超支、错误累积 |
三者的输入、输出和风险各不相同,因此很难互相替代。
选型可以按下面的顺序判断。
组合使用时,常见的分层顺序是:RAG提供知识,MCP提供工具,Agent负责规划与调用。例如,一个故障排查助手可以先通过RAG检索运维手册,再通过MCP读取监控数据和日志,最后由Agent决定下一步查看哪些指标,并在生成工单前请工程师确认。
组合时要同时考虑三件事。
接入前可以对照下面的检查清单。
常见误区也需要注意。
RAG、MCP与Agent分别回答知识、接入和执行三个问题。先明确项目最缺哪一层能力,再逐层引入,比一开始就堆叠全部技术更容易控制风险和成本。