打个生动的比方，想象我们读完全日制高中课程，这就像完成了预训练 (Pre-training)，已经具备了通用大模型的基础能力。接着我们填报计算机科学专业，完成四年专业课学习，相当于进行了一轮微调 (Fine-Tuning)，这时我们就成为了能解决各类基础计算机相关**下游任务 (Downstream tasks)**的"人形大模型"了。

但本科四年学习周期确实有点长，我们可以想一个速成方法：用高中掌握的知识作基础，再身边放一堆计算机专业书籍，这样有了"开卷考试 buff"加持，我们也能勉强成为解答基础计算机问题的"低配版大模型”。当我们收到问题时，基于已有的基础知识，在专业书籍中查找相关信息，整合后回答提问 — 这个过程就是**检索增强生成 (RAG)**的生动写照。

由于训练和微调的成本依然高企 + 超长上下文仍处于理论阶段，所以目前 RAG 这样的外挂技术在新闻、科技、医疗等领域以及一定规模团队的企业内部智库这些知识更新频繁的场景有着肉眼可见的应用前景。

LangChain

LangChain：方便快捷地创建 AI 应用。

有了 RAG 技术，新的问题来了。如何将检索、生成、数据存储、API 调用等功能整合到一个整体的应用系统中呢？这时，LangChain便派上了用场。

LangChain是一个用于开发 LLM 应用的开源框架，旨在帮助开发者更轻松地构建由大语言模型驱动的应用程序。

RAG 作为大语言模型非常重要的应用领域，LangChain 自然也有比较充分的支持，而且 LangChain 还能帮助开发者灵活地设计多步骤工作流，让 RAG 的结果更可控。

让我们一起看个简单应用例子，假如我们要构建一个法律咨询应用，它需要完成以下几个步骤：

接收用户的具体案例；
从向量数据库中检索相关法律条款；
返回并用大语言模型生成回答；
在生成答案前对用户答案的合规性做出提醒。

这个具体的 RAG 应用实例，我们通过 LangChain 可以快速实现。

LangChain 提供的模块化组件和接口，让我们能根据具体需求自由组合。即使我们不是资深开发者，LangChain 框架也大大简化了开发难度，让我们能够像"搭积木"一样轻松构建应用。

Agent

Agent（智能体）：AI 执行任务的“代理人”。

了解了 RAG 和 LangChain 之后，我们继续探索 AI Agent 的精彩世界。

Agent 是一种可以自主感知环境、做出决策并执行行动的智能体系统。正如它的英文名，Agent 相当于一个任务代理人，可以“理解”用户设定的流程、规则后按自己的想法来处理一系列任务。

如图所示，Agent 通常基于大语言模型（LLM），创建者用**提示词模板（Prompt Template）**来指定它的角色和工作内容；

Agent 拥有**“记性”（Memory）**,这让它不但可以记得会话的上下文，也可以记得用户的偏好和个性化要求，更好地满足用户的需求；

Agent 拥有**“行为自主性”（Action）**，它在接收指令后，可以通过大语言模型来判断是否需要使用相应的工具来自主完成任务。

由于 Agent 具备了这些特点，所以比较适用于自动化任务、数字助理、游戏角色等应用，在「AI 解决方案专家」课程中也有 Agent 的详细介绍。

在 LangChain 框架中使用 RAG 技术创建专用的 Agent

让我们回顾开头的关系图，一起梳理这三个概念各自的职责和执行流程：

LangChain可以为任务提供足够复杂的工作流结构，而 Agent 则负责根据 Prompt Template 的设定执行这些流程中的每一个任务环节。
LangChain 框架也提供了各种相应的库对RAG技术进行支持，让 RAG 技术可以作为 Agent 从 Knowledge Base 获取知识的工具。
Agent获得相应的知识后，再由 LLM 组织并理解，作出返回给客户有用的信息或是执行特定操作的判断，并由 Agent 来完成。

这个经典组合可以应用到很多类似的应用当中，随着人工智能领域技术的全面发展，该组合的能力也在不断提升。

小结

综上所述，RAG、LangChain、Agent 虽不是同一维度的概念，但在 AI 大模型领域中这三个关键词之间有着紧密的联系和交集。

我们经常听到这三个词，正是因为它们已经在各行各业中发挥着越来越重要的作用。

如果我们对它们感兴趣，不妨立即开始学习并实践，在这个 AI 科技飞速发展的时代，用最新的知识和技能武装自己，才能在未来的竞争中立于不败之地。

让我们一起拥抱这个充满可能的 AI 新世界！

RAG简单说

目录

RAG

LangChain

Agent

在 LangChain 框架中使用 RAG 技术创建专用的 Agent

小结

TsingChan