从 RAG 到 Agent 系统

参数知识与外部证据的边界

模型参数中包含训练形成的模式；上下文是这一轮实际输入；外部知识库保存可更新的材料。三者不同。典型 RAG 包含资料整理、切块与索引、召回、重排、上下文组装和带来源的生成。

经营报告可以先找到指标口径和本期数据，再要求模型区分数据事实与原因假设。检索错文档、漏掉关键表、引用不支持结论，都会让回答失败。带引用并不自动意味着结论已被引用证实。

长上下文增加模型可接收的信息量，不保证读出每一个细节；RAG 选择材料，两者可结合。长期记忆还需要明确写入、召回、更新、冲突和删除策略；把任何向量库叫作“记忆”会掩盖这些责任。

Agent 可以按任务反馈决定是否再次检索或调用其他工具；简单 RAG 问答也完全可以使用预定流程。这里的“从 RAG 到 Agent”是学习路线，不是历史上先有 RAG 才有 Agent，也不是所有系统必须升级的方向。继续看 Agent Loop 与运行状态基础 ↗。