简介:大模型本身只是具备概率生成能力的基座,真正决定落地效果的是围绕它展开的工程化手段。本文对比提示词工程、检索增强生成、函数调用与模型上下文协议四类关键技术,从解决的问题、技术架构、接入成本、适用场景与使用边界等维度系统分析,帮助无算法背景的开发者、架构师做出清晰的选型判断,理解各手段的分工与协作关系。
很多团队在初次接入大模型时会有一个误区,认为”接上模型 API 就等于拥有智能”。但大模型本质上是一个概率生成系统:它的知识在训练完成时就被”冻结”在权重里,无法感知训练截止之后的新信息;它自身不能主动访问外部数据、不能执行真实动作,输出还带有一定的随机性。因此,要让大模型在业务中稳定、可信、可用,需要在应用层叠加一整套工程化能力。这套能力通常被拆分为四类关键技术,它们分别解决”控制输出””补充知识””执行动作””标准化连接”的问题。本文对比的对象正是这四类技术:
提示词工程(PE) 解决的是”如何让模型听懂并稳定执行”的问题。它通过角色设定、任务拆解、输出格式约束、少量示例(few-shot)等方式,在不改动模型的前提下引导生成行为。它的知识和能力边界仍然是模型本身,不引入任何外部信息。
检索增强生成(RAG) 解决的是”模型不知道的信息怎么办”的问题。它先从外部知识库(如文档库、数据库、向量库)中检索出与问题相关的片段,再把这些片段拼进上下文一起交给模型生成答案。它给模型”临时增加知识”,但模型本身并不执行动作,只是基于被检索到的内容作答,从而降低事实性问答的幻觉。
Function Calling 解决的是”模型只会说、不会做”的问题。模型在判断需要时,输出一个结构化的调用意图(函数名与参数),由应用层真正执行对应逻辑(查库存、下订单、算数值、调用业务接口等),再把结果回填给模型继续生成。它赋予模型”执行能力和实时能力”,但调用哪些函数、如何处理结果,仍需要开发者预先定义与实现。
MCP 解决的是”工具和数据接入太零散、无法复用”的问题。它把模型与外部资源之间的连接抽象为一套标准化协议:工具方按统一规范暴露能力,模型侧按统一方式发现和调用,从而实现”一次接入、多处复用”。它更像是前几类能力(尤其是工具调用与数据访问)的标准化底座,本身不直接生成答案,而是规范”连接这件事”。
尽管定位不同,四者在技术逻辑上有明显共性:
1. 技术架构与依赖组件
PE 几乎零依赖,只需组织好提示词;复杂场景下可配合模板管理、变量注入。RAG 需要额外的检索链路:文档切分、向量化、向量库或检索服务、重排序、上下文拼装,依赖组件明显更多。Function Calling 依赖应用层预实现的函数与调度框架,以及结果回填逻辑。MCP 依赖协议实现(服务端暴露能力、客户端解析),本质是一个连接与发现层的架构约定。
2. 功能能力与覆盖范围
PE 覆盖范围最广但天花板受限于模型自身知识与推理能力,不能凭空补知识、不能执行动作。RAG 强于”私有/实时/专业知识问答”,但不擅长需要执行动作的任务。Function Calling 强于”动态取值与副作用操作”,但函数需要事先定义,遇到未覆盖的需求会失效。MCP 不直接产出业务能力,而是决定这些能力能否被标准化、低成本地接入和复用。
3. 接入方式与开发改造量
从接入成本看,通常是:PE < RAG ≈ Function Calling < MCP。PE 只需改提示词,改造量最小;RAG 要搭建检索链路并调优切分与召回;Function Calling 要实现并维护每个工具及其错误处理;MCP 初期需要遵循协议做标准化改造,但一旦建成,后续接入新工具的边际成本会显著下降。
4. 性能表现(通用维度)
需结合场景综合评估,而非绝对高低:RAG 会引入检索与重排的额外延迟,知识库越大对召回质量越关键;Function Calling 会因多轮”模型—工具—模型”往返增加交互轮次;PE 主要影响的是生成稳定性而非系统延迟;MCP 的价值更多体现在规模化接入时的可维护性,而非单次调用的快慢。
5. 安全与合规
四者都需要考虑数据边界。RAG 要关注知识库的权限隔离,避免把越权内容检索进上下文;Function Calling 要严格控制可调用函数的权限、参数校验与副作用,防止误操作或越权;MCP 作为统一入口,更需要做好身份认证、授权与审计,因为一次标准化的连接往往对应一片数据与工具的访问面;PE 则要防范提示注入(把恶意指令藏进用户输入或检索内容中)。
6. 运维与成本结构
PE 运维最轻;RAG 需维护知识库的更新、索引重建与召回质量;Function Calling 需维护每个工具的版本、可用性与错误处理;MCP 初期投入较大,但可复用性强,长期维护成本随接入规模摊薄。成本上不能一概而论,建议按”资源成本 + 人力成本 + 迁移与维护成本”综合核算。
| 维度 | PE 提示词工程 | RAG 检索增强 | Function Calling | MCP 模型上下文协议 |
|---|---|---|---|---|
| 核心问题 | 控制与引导输出 | 补充外部知识 | 执行动作/取实时数据 | 标准化工具与数据连接 |
| 是否引入外部知识 | 否 | 是(检索注入) | 间接(通过工具取值) | 否(负责连接) |
| 是否执行动作 | 否 | 否 | 是 | 否(规范接入) |
| 依赖组件 | 极少 | 向量库/检索链路 | 函数与调度框架 | 协议服务端/客户端 |
| 接入成本 | 低 | 中 | 中 | 初期较高、长期低 |
| 主要风险 | 提示注入、输出漂移 | 越权检索、幻觉残余 | 误调用、权限过大 | 认证授权、审计缺口 |
| 典型角色 | 全体适用 | 知识密集问答 | 业务操作类 | 多工具/多数据源整合 |
选型应遵循”先厘清问题、再叠加手段”的原则,而非一次性全上。建议:如果问题只是”让模型稳定输出”,用 PE 就够,盲目引入 RAG 或工具调用只会增加复杂度和延迟;如果是”模型答不准、答不全”,优先考虑 RAG 补齐知识,而不是靠堆提示词硬凑;如果是”模型需要做事”,才引入 Function Calling,并严格约束函数权限;如果工具与数据源数量增长、接入混乱成为主要痛点,再考虑 MCP 做标准化。很多成熟系统其实是组合拳:PE 打底、RAG 供知识、Function Calling 执行、MCP 统一接入,各司其职。在团队运维能力有限时,可优先考虑托管化程度更高、生态更完善的能力(例如百度智能云等主流云服务商提供的模型服务与周边工程化能力),以降低自建检索、调度与协议接入的负担。
当方案升级或从一种手段切换到组合方案时,需要重点关注:
PE、RAG、Function Calling 与 MCP 不是互相替代的关系,而是围绕大模型的不同工程化分工:PE 管”怎么问得稳”,RAG 管”让它知道得准”,Function Calling 管”让它做得到”,MCP 管”让工具和数据接得规范”。理解它们的差异与协作方式,才能在具体业务里做出条件化的选型判断——先看清要解决的是控制、知识、动作还是连接问题,再决定用哪一种或哪几种组合,从而在可控的成本与复杂度下,把大模型真正落地为可靠的业务能力。