1. 引言大模型已经渗透到日常开发、办公和产品设计中但很多人仍然在问给模型写一段提示词就算 AI 应用了吗给我挂个知识库就是 RAG 了吗Agent 又是什么高阶玩法这篇文章的目标是把Prompt提示工程、RAG检索增强生成和Agent智能体这三种最常见的 LLM 使用范式说清楚并帮你在实际场景下做出合适的选择。2. Prompt万能的“咒语”2.1 是什么Prompt 就是给大模型的自然语言指令也是三者中最基础的上层范式。你几乎不需要改模型也不用加外部工具只需要设计好一句话或一段话就能让模型完成翻译、总结、分类、角色扮演等任务。常见形式包括零样本提示“把下面这句话翻译成英文”少样本提示Few-shot提供几个例子让模型照着生成思维链Chain-of-Thought“请一步步推理最后给出答案”角色设定“你是一名资深 Java 架构师请 review 下面这段代码”2.2 什么时候用任务相对封闭、知识稳定翻译、摘要、代码补全、格式转换不需要引入外部实时信息希望快速验证、零开发成本但如果模型的知识截止日期已经过期或者需要访问企业内部文档光靠 Prompt 是不够的。3. RAG给模型外挂“记忆”3.1 核心思想RAGRetrieval-Augmented Generation在 Prompt 的基础上增加一个检索环节先从外部知识库文档、数据库、网页中找到与用户问题最相关的片段再把这些片段作为上下文塞进 Prompt一起发给大模型生成答案。工作流程一般是用户提问向量化问题去向量数据库召回 Top-K 相关文档块拼接上下文 用户问题组装 PromptLLM 生成回答3.2 典型应用企业知识库问答内部制度、产品手册基于最新论文的学术助手客服机器人结合工单历史以企业知识库为例核心检索召回代码如下importopenaiimportnumpyasnpfrommy_vector_dbimportVectorDB# 1. 初始化向量数据库dbVectorDB(index_path./kb_index.faiss)# 2. 问题向量化question员工年假天数如何计算embeddingopenai.Embedding.create(inputquestion,modeltext-embedding-3-small)[data][0][embedding]# 3. 相似性检索召回 top-3 相关文档块retrieved_chunksdb.search(query_vectornp.array(embedding),top_k3)# 4. 拼接上下文context\n\n.join([chunk.textforchunkinretrieved_chunks])promptf请根据以下参考资料回答用户问题。 参考资料{context}用户问题{question}# 5. 将拼接好的 prompt 发送给 LLM 生成最终回答responseopenai.ChatCompletion.create(modelgpt-4,messages[{role:user,content:prompt}])print(response[choices][0][message][content])核心步骤向量化问题 → 检索 top-k → 拼接上下文 → 组装 Prompt → LLM 生成这正是 RAG 将外部知识“喂”给大模型的典型方式。RAG 的优势是能实时引入新知识无需重训或微调模型而且答案可溯源到引用来源。代价是需要维护文档切片、向量数据库和检索流水线。4. Agent会“动手”的智能体4.1 不只对话还能执行Agent 是目前最高阶的玩法——模型不但能理解问题还可以自主规划步骤、调用外部工具、观察执行结果并迭代直到完成任务。一个典型的 Agent 循环ReAct 模式否是用户提问LLM 思考与规划需要调用工具直接生成最终回答调用工具 (搜索、代码、API 等)获取工具执行结果4.2 工具能力Agent 可以调用的工具包括但不限于搜索引擎Google / Bing API代码解释器Python、Shell数据库查询SQL内部 API发邮件、创建工单4.3 适合场景开放式复杂任务“帮我查一下上周的销售数据画成柱状图并发给张三”需要多步推理与外部系统交互自动化流程例如自动代码修复、自动运维但注意事项Agent 的自主性也带来风险——权限控制、错误放大、成本多次 LLM 调用和管理复杂度都比前两者高很多。5. 三者对比维度PromptRAGAgent开发复杂度低零代码或少量代码中需搭建检索管线高需设计工具与流程知识更新依赖模型训练数据实时通过文档注入实时 可用工具获取能力边界文本生成文本生成 引用外部文档生成 推理 执行可控性高输出易预测中受检索质量影响低多步推理可漂移典型应用翻译、分类、文案企业知识库、客服自动化任务、数据分析6. 怎么选一张决策图下面这张流程图可以帮你快速判断当前场景该用哪种方案否是否否是是否开始任务是否需要访问最新或私有知识能否靠一两句指令完成✅ 使用 Prompt(零/少样本/思维链)任务是否需要多步推理与工具调用✅ 使用 Prompt(复杂 Prompt 设计)是否只需要查找并引用相关文档✅ 使用 RAG(检索增强生成)✅ 使用 Agent(自主规划工具调用)如果你的应用只是做一个“更好的上下文”让模型回答得更准选RAG。如果你希望模型能主动查资料、调用 API、控制流程直接上Agent。大部分时候好的Prompt 工程才是性价比最高的方案不要一上来就盲目堆技术栈。7. 总结Prompt是地基适用于大部分文本任务快速、可控。RAG解决了知识新鲜度和私有性的问题让模型“有据可循”。Agent赋予模型行动力适合复杂自动化但需要更审慎的工程把控。三者不是互斥的关系实际项目中经常会组合使用例如一个客服系统可能用 Agent 总揽流程在需要查询政策时走 RAG 检索并将最终回复格式通过 Prompt 约束。最后记住一句话能靠 Prompt 解决的不要上 RAG能靠 RAG 满足的不要折腾 Agent。