我們要把 AI 大模型當(dāng)做人的大腦，因此調(diào)用 AI 大模型，相當(dāng)于調(diào)用一個(gè)人，把 AI 大模型當(dāng)人看，TA 懂人話、TA 說(shuō)人話、TA 會(huì)直接給出結(jié)果，但結(jié)果不一定正確。

因此在 AI 大模型的推理基礎(chǔ)上，通過(guò) RAG、Agent、MCP、Function Calling、知識(shí)庫(kù)、向量數(shù)據(jù)庫(kù)、知識(shí)圖譜等技術(shù)手段實(shí)現(xiàn)了真正的 AGI（通用人工智能）。這些技術(shù)到底有哪些區(qū)別和聯(lián)系，下圖作了橫向?qū)Ρ?，接下?lái)我們?cè)敿?xì)剖析。

1、大語(yǔ)言模型（LLM）

大語(yǔ)言模型（LLM）是通過(guò)深度學(xué)習(xí)方法，利用龐大的文本數(shù)據(jù)集進(jìn)行訓(xùn)練的機(jī)器學(xué)習(xí)模型，它具備生成自然流暢的語(yǔ)言文本以及準(zhǔn)確理解語(yǔ)言文本深層語(yǔ)義的能力。大語(yǔ)言模型廣泛應(yīng)用于各種自然語(yǔ)言處理任務(wù)，包括但不限于文本分類(lèi)、智能問(wèn)答以及人機(jī)交互對(duì)話等，是 AI 領(lǐng)域的重要支柱之一。

過(guò)去的一年中，大語(yǔ)言模型及其在 AI 領(lǐng)域的應(yīng)用受到了全球科技界的廣泛關(guān)注。特別值得注意的是，這些大語(yǔ)言模型在規(guī)模上取得了顯著的增長(zhǎng)，參數(shù)量從最初的數(shù)十億激增到如今驚人的萬(wàn)億級(jí)別。這一飛躍性的增長(zhǎng)不僅使得大語(yǔ)言模型在捕捉人類(lèi)語(yǔ)言的微妙差異上更為精準(zhǔn)，更讓它能夠深入洞察人類(lèi)語(yǔ)言的復(fù)雜本質(zhì)。

隨著 DeepSeek V3 的發(fā)布，回顧過(guò)去的一年，大語(yǔ)言模型在多個(gè)方面取得了顯著的進(jìn)步，包括高效吸納新知識(shí)、有效分解復(fù)雜任務(wù)以及圖文精準(zhǔn)對(duì)齊等。隨著技術(shù)的不斷演進(jìn)和完善，大語(yǔ)言模型將繼續(xù)拓展其應(yīng)用邊界，為人們帶來(lái)更加智能化、個(gè)性化的服務(wù)體驗(yàn)，從而深刻改變我們的生活方式和生產(chǎn)模式。

大語(yǔ)言模型擁有推理能力，TA 是一切應(yīng)用的基石。

2、檢索增強(qiáng)生成（RAG）

RAG（Retrieval-Augmented Generation）技術(shù)是一種集成檢索與生成雙重能力的知識(shí)增強(qiáng)方案，旨在應(yīng)對(duì)復(fù)雜多變的信息查詢和生成挑戰(zhàn)。在如今的大模型時(shí)代背景下，RAG 巧妙地引入外部數(shù)據(jù)源，比如：本地知識(shí)庫(kù)或企業(yè)信息庫(kù)，為 AI 大模型賦予了更強(qiáng)大的檢索和生成實(shí)力，從而顯著提升了信息查詢和生成的品質(zhì)。

RAG 技術(shù)的核心在于它將先進(jìn)的向量數(shù)據(jù)庫(kù)與大模型的智能問(wèn)答能力進(jìn)行了完美結(jié)合。知識(shí)庫(kù)中的信息被精心存儲(chǔ)在向量數(shù)據(jù)庫(kù)中，當(dāng)接收到用戶的問(wèn)題時(shí)，系統(tǒng)能夠迅速?gòu)闹R(shí)庫(kù)中檢索出相關(guān)的知識(shí)片段。隨后，這些片段會(huì)與大模型的智慧相結(jié)合，共同孕育出精確而全面的回答。這種技術(shù)的運(yùn)用極大地提高了 AI 系統(tǒng)在處理復(fù)雜問(wèn)題時(shí)的準(zhǔn)確性和響應(yīng)速度，為用戶帶來(lái)了更加優(yōu)質(zhì)和高效的體驗(yàn)。

總之，RAG 技術(shù)就是給大語(yǔ)言模型新知識(shí)。

3、智能體（Agent）

在 AI 大模型時(shí)代，任何具備獨(dú)立思考能力并能與環(huán)境進(jìn)行交互的實(shí)體，都可以被抽象地描述為智能體（Agent）。這個(gè)英文詞匯在 AI 領(lǐng)域被普遍采納，用以指代那些能夠自主活動(dòng)的軟件或硬件實(shí)體。在國(guó)內(nèi)，我們習(xí)慣將其譯為“智能體”，盡管過(guò)去也曾出現(xiàn)過(guò)“代理”、“代理者”或“智能主體”等譯法。

智能體構(gòu)建在大語(yǔ)言模型的推理能力基礎(chǔ)上，對(duì)大語(yǔ)言模型的 Planning 規(guī)劃的方案使用工具執(zhí)行（Action） ,并對(duì)執(zhí)行的過(guò)程進(jìn)行觀測(cè)（Observation）,保證任務(wù)的落地執(zhí)行。

總之，Agent 智能體 = 大語(yǔ)言模型的推理能力 + 使用工具行動(dòng)的能力。

4、MCP（Model Context Protocol）

MCP（模型上下文協(xié)議）是由 Anthropic 定義的一個(gè)開(kāi)放協(xié)議，標(biāo)準(zhǔn)化應(yīng)用程序如何為大語(yǔ)言模型（LLM）提供上下文。更具體地說(shuō)，它試圖標(biāo)準(zhǔn)化基于 LLM 的應(yīng)用程序與其他環(huán)境集成的協(xié)議。

在 AI Agent 系統(tǒng)（Agentic Systems）中，上下文可以通過(guò)多種方式提供：

1.外部數(shù)據(jù)：這是長(zhǎng)期記憶的一部分。

2.工具：系統(tǒng)與環(huán)境交互的能力。

3.動(dòng)態(tài)提示詞：可以作為系統(tǒng)提示詞（System Prompt）的一部分注入。

第一、為什么要標(biāo)準(zhǔn)化？

目前，AI Agent 應(yīng)用的開(kāi)發(fā)流程很混亂：

1.有許多 AI Agent 框架存在細(xì)微差異。雖然看到生態(tài)系統(tǒng)蓬勃發(fā)展令人鼓舞，但這些細(xì)微差異很少能帶來(lái)足夠的價(jià)值，但可能會(huì)顯著改變你的代碼編寫(xiě)方式。

 2.與外部數(shù)據(jù)源的集成通常是臨時(shí)實(shí)現(xiàn)的，并且使用不同的協(xié)議，即使在組織內(nèi)部也是如此。對(duì)于不同公司來(lái)說(shuō)，這顯然是如此。

 3.工具在代碼庫(kù)中以略微不同的方式定義。如何將工具附加到增強(qiáng)型 LLM 上也是不同的。

目標(biāo)是提高我們創(chuàng)新 AI Agent 應(yīng)用的速度、安全性以及將相關(guān)數(shù)據(jù)帶入上下文的便利性。

第二、MCP 架構(gòu)設(shè)計(jì)

 1.MCP Host：使用 LLM 為核心并希望通過(guò) MCP 訪問(wèn)數(shù)據(jù)的程序。

 2.MCP Client：與 MCP Server 保持1:1連接的客戶端。

 3.MCP Server：每個(gè) MCP Server 都通過(guò)標(biāo)準(zhǔn)化的模型上下文協(xié)議公開(kāi)特定功能的輕量級(jí)程序。

 4.Local Data Sources：你計(jì)算機(jī)上的文件、數(shù)據(jù)庫(kù)和服務(wù)，MCP Server 可以安全訪問(wèn)。

 5.Remote Data Sources：通過(guò)互聯(lián)網(wǎng)可用的外部系統(tǒng)（比如：通過(guò) API），MCP Server 可以連接到這些系統(tǒng)。

5、Function Calling

Function Calling 是由 OpenAI 等公司推動(dòng)的一種技術(shù)，它允許大語(yǔ)言模型（LLM）通過(guò)自然語(yǔ)言指令與外部工具和服務(wù)進(jìn)行交互，從而將自然語(yǔ)言轉(zhuǎn)換為具體的 API 調(diào)用。這一技術(shù)解決了大語(yǔ)言模型在訓(xùn)練完成后知識(shí)更新停滯的問(wèn)題，使大模型能夠獲取實(shí)時(shí)信息，比如：當(dāng)前的天氣、股市收盤(pán)點(diǎn)數(shù)等。

第一、工作原理

Function Calling 的工作原理可以通過(guò)以下4個(gè)步驟來(lái)理解：

1.識(shí)別需求：大模型識(shí)別出用戶的問(wèn)題需要調(diào)用外部 API 來(lái)獲取實(shí)時(shí)信息。比如：用戶詢問(wèn)“今天北京的天氣如何？”大模型會(huì)識(shí)別出這是一個(gè)關(guān)于實(shí)時(shí)天氣的問(wèn)題。

2.選擇函數(shù)：大模型從可用的函數(shù)庫(kù)中選擇合適的函數(shù)。在這個(gè)例子中，大模型會(huì)選擇 get_current_weather 函數(shù)。

3.準(zhǔn)備參數(shù)：大模型準(zhǔn)備調(diào)用函數(shù)所需的參數(shù)。例如：{  "location": "北京",  "unit": "celsius"}

3.調(diào)用函數(shù)：AI 應(yīng)用使用這些參數(shù)調(diào)用實(shí)際的天氣 API，獲取北京的實(shí)時(shí)天氣數(shù)據(jù)。

4.整合回答：大模型將獲取的數(shù)據(jù)整合成一個(gè)完整的回答，比如：“根據(jù)最新數(shù)據(jù)，北京今天的天氣晴朗，當(dāng)前溫度23°C，濕度45%，微風(fēng)。今天的最高溫度預(yù)計(jì)為26°C，最低溫度為18°C?！?/p>

第二、對(duì)開(kāi)發(fā)者的好處

對(duì)于開(kāi)發(fā)者來(lái)說(shuō)，使用 LLM 的 Function Calling 入門(mén)相對(duì)容易。開(kāi)發(fā)者只需按照 API 的要求定義函數(shù)規(guī)格（通常是 JSON 格式），并將其隨 Prompt 請(qǐng)求發(fā)送給大模型。大模型會(huì)根據(jù)需要調(diào)用這些函數(shù)，整個(gè)邏輯相當(dāng)直觀。因此，對(duì)于單一大模型、少量功能的簡(jiǎn)單應(yīng)用，F(xiàn)unction Calling 的實(shí)現(xiàn)非常直接，幾乎可以“一鍵”將大模型輸出對(duì)接到代碼邏輯中。

第三、局限性

然而，F(xiàn)unction Calling 也有一些局限性：

缺乏跨大模型的一致性：每個(gè) LLM 供應(yīng)商的接口格式略有差異，這使得開(kāi)發(fā)者在支持多個(gè)大模型時(shí)需要為不同的 API 做適配，或者使用額外的框架來(lái)處理這些差異。

平臺(tái)依賴性：Function Calling 通常依賴于特定的平臺(tái)或框架，這限制了其在不同環(huán)境中的通用性。

擴(kuò)展性有限：雖然 Function Calling 能夠解決特定問(wèn)題，但在面對(duì)更復(fù)雜的任務(wù)時(shí)，其擴(kuò)展性可能會(huì)受到限制。開(kāi)發(fā)者可能需要為每個(gè)新功能編寫(xiě)新的函數(shù)，并確保這些函數(shù)與模型的交互邏輯兼容。

第四、總結(jié)

Function Calling 是一種強(qiáng)大的工具，它為大語(yǔ)言模型提供了與外部工具和服務(wù)交互的能力，從而解決了大模型知識(shí)更新停滯的問(wèn)題。然而，它的局限性在于缺乏跨模型的一致性和平臺(tái)依賴性。盡管如此，F(xiàn)unction Calling 仍然是一個(gè)重要的技術(shù)，尤其是在需要快速實(shí)現(xiàn)特定功能時(shí)。未來(lái)，隨著技術(shù)的不斷發(fā)展，我們期待看到更多能夠克服這些局限性的解決方案。

6、知識(shí)庫(kù)

對(duì)于企業(yè)而言，構(gòu)建一個(gè)符合自身業(yè)務(wù)需求的知識(shí)庫(kù)是至關(guān)重要的。通過(guò)RAG、微調(diào)等技術(shù)手段，我們可以將通用的大模型轉(zhuǎn)變?yōu)閷?duì)特定行業(yè)有著深度理解的“行業(yè)專家”，從而更好地服務(wù)于企業(yè)的具體業(yè)務(wù)需求。這樣的知識(shí)庫(kù)基本上適用于每個(gè)公司各行各業(yè)，包括：市場(chǎng)調(diào)研知識(shí)庫(kù)、人力資源知識(shí)庫(kù)、項(xiàng)目管理知識(shí)庫(kù)、技術(shù)文檔知識(shí)庫(kù)、項(xiàng)目流程知識(shí)庫(kù)、招標(biāo)投標(biāo)知識(shí)庫(kù)等等。

知識(shí)庫(kù)的技術(shù)架構(gòu)分為兩部分：

第一、離線的知識(shí)數(shù)據(jù)向量化

• 加載：通過(guò)文檔加載器（Document Loaders）加載數(shù)據(jù)/知識(shí)庫(kù)。
• 拆分：文本拆分器將大型文檔拆分為較小的塊。便于向量或和后續(xù)檢索。
• 向量：對(duì)拆分的數(shù)據(jù)塊，進(jìn)行 Embedding 向量化處理。
• 存儲(chǔ)：將向量化的數(shù)據(jù)塊存儲(chǔ)到向量數(shù)據(jù)庫(kù) VectorDB 中，方便進(jìn)行搜索。

第二、在線的知識(shí)檢索返回

• 檢索：根據(jù)用戶輸入，使用檢索器從存儲(chǔ)中檢索相關(guān)的 Chunk。
• 生成：使用包含問(wèn)題和檢索到的知識(shí)提示詞，交給大語(yǔ)言模型生成答案。

總之，知識(shí)庫(kù)是 AI 大模型應(yīng)用的知識(shí)基礎(chǔ)。

7、向量數(shù)據(jù)庫(kù)

向量數(shù)據(jù)庫(kù)是專注于存儲(chǔ)和查詢向量的系統(tǒng)，其向量源于文本、語(yǔ)音、圖像等數(shù)據(jù)的向量化表示。

相較于傳統(tǒng)數(shù)據(jù)庫(kù)，向量數(shù)據(jù)庫(kù)更擅長(zhǎng)處理非結(jié)構(gòu)化數(shù)據(jù)，比如：文本、圖像和音頻。在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)中，數(shù)據(jù)通常以向量形式存在。

向量數(shù)據(jù)庫(kù)憑借高效存儲(chǔ)、索引和搜索高維數(shù)據(jù)點(diǎn)的能力，在處理比如：數(shù)值特征、文本或圖像嵌入等復(fù)雜數(shù)據(jù)時(shí)表現(xiàn)出色。

總之，知識(shí)庫(kù)的存儲(chǔ)載體往往是向量數(shù)據(jù)庫(kù)，另外在數(shù)據(jù)存儲(chǔ)和檢索上，向量數(shù)據(jù)庫(kù)以向量空間模型高效存儲(chǔ)和檢索高維數(shù)據(jù)，為 AI 大模型和 Agent 智能體提供強(qiáng)有力的數(shù)據(jù)支持。

8、知識(shí)圖譜

知識(shí)圖譜是一種基于實(shí)體和關(guān)系的圖結(jié)構(gòu)數(shù)據(jù)庫(kù)，旨在表示和管理知識(shí)。它采用結(jié)構(gòu)化數(shù)據(jù)模型來(lái)存儲(chǔ)、管理和顯示人類(lèi)語(yǔ)言知識(shí)。

知識(shí)圖譜通過(guò)語(yǔ)義抽取建立人類(lèi)語(yǔ)言知識(shí)間的關(guān)系，形成樹(shù)狀結(jié)構(gòu)。實(shí)體如人、地點(diǎn)、組織等，具有特定屬性和關(guān)系，這些關(guān)系連接著不同的實(shí)體。通過(guò)數(shù)據(jù)挖掘、信息處理和圖形繪制，知識(shí)圖譜揭示了知識(shí)領(lǐng)域的動(dòng)態(tài)發(fā)展規(guī)律，為學(xué)科研究提供了有價(jià)值的參考。

醫(yī)療領(lǐng)域是知識(shí)圖譜技術(shù)的一個(gè)廣泛應(yīng)用場(chǎng)景，它可以幫助臨床診療、醫(yī)療數(shù)據(jù)的整合與利用，并通過(guò)實(shí)體識(shí)別、關(guān)系抽取和數(shù)據(jù)集訓(xùn)練，以圖譜形式展示關(guān)鍵節(jié)點(diǎn)和它們之間的聯(lián)系，從而支持更精準(zhǔn)的醫(yī)療決策。

與此同時(shí)，在智能推薦、自然語(yǔ)言處理、機(jī)器學(xué)習(xí)等領(lǐng)域也具有廣泛的應(yīng)用。尤其在搜索引擎領(lǐng)域，它能夠提高搜索的準(zhǔn)確性，為用戶提供更加精準(zhǔn)的搜索結(jié)果。

總之，知識(shí)圖譜本質(zhì)上是一種叫作語(yǔ)義網(wǎng)絡(luò)的知識(shí)庫(kù)，即一個(gè)具有有向圖結(jié)構(gòu)的知識(shí)庫(kù)，其中圖的結(jié)點(diǎn)代表實(shí)體或者概念，而圖的邊代表實(shí)體/概念之間的各種語(yǔ)義關(guān)系。

9、AGI

AGI（通用人工智能）作為 AI 發(fā)展的終極愿景，追求的是讓智能系統(tǒng)具備像人類(lèi)一樣理解和處理各種復(fù)雜情況與任務(wù)的能力。在實(shí)現(xiàn)這一宏偉目標(biāo)的過(guò)程中，AI 大模型、Prompt Engineering、Agent 智能體、知識(shí)庫(kù)、向量數(shù)據(jù)庫(kù)、RAG 以及知識(shí)圖譜等技術(shù)扮演著至關(guān)重要的角色。這些技術(shù)元素在多樣化的形態(tài)中相互協(xié)作，共同推動(dòng) AI 技術(shù)持續(xù)向前發(fā)展，為實(shí)現(xiàn) AGI 的最終目標(biāo)奠定堅(jiān)實(shí)基礎(chǔ)。

本文轉(zhuǎn)載自公眾號(hào)玄姐聊AGI  作者：玄姐

原文鏈接：??https://mp.weixin.qq.com/s/80zFbe2D-Z3-nC33jxtgFA??