AI 智能体在企业落地的三个阶段：RAG、Workflow、Agent

一、 智能体与Agent

💡 * 智能体 是 Agent的本土化翻译，二者本质上一个东西

• 在早期的国内产品营销推广中，很多“提示词封装”“简单插件调用”“工作流”产品，被称为智能体，但实际上自身的智能水平不够
• 如果某个系统被称为“智能体”，但它本质上是基于规则的线性流程（如工作流），那么它并不是真正意义上的智能体，而更像是一个“伪智能体”或“智能化的工作流”。

1. 营销术语模糊化：
很多公司在推广产品时，可能会故意模糊一些技术术语，把“工作流”包装成“智能体”，以突出产品的“智能化”特性。但实际上，工作流本质上并不具备智能体的学习能力和自主决策能力。

2. 功能交叉：
在某些情况下，工作流中可能会嵌入一些具有智能特性的模块（如基于AI的推荐或决策），这让它看起来更像是一个“智能体”。但整体来看，工作流的核心仍然是按照规则执行任务，而非自主决策。

3. 对智能体概念的误解：
在国内外技术传播过程中，可能存在对“智能体”概念的误用或扩展，导致一些不具备智能体核心特性的系统被称为“智能体”。

二、为什么是这三个方向

2.1 RAG：基础落地

特点

• RAG 是一种结合了检索（Retrieval）和生成（Generation）的技术，能够通过调用外部知识库或数据库来增强语言模型的回答能力。
• RAG 的主要作用是解决大模型的知识局限性问题，使其能够实时访问最新的信息或特定领域的知识，并生成更准确和实用的回答。

落地原因

1. 技术门槛较低：

• RAG 的实现相对简单，只需要将大语言模型（LLM）与检索系统（如向量数据库、搜索引擎）结合即可。
• 许多现成的工具（如 Dify、RAGflow、FastGPT 等）可以快速搭建 RAG 系统。

2. 需求明确：

• 在企业知识问答、文档搜索、客户支持等场景中，用户需要准确、实时的信息，而 RAG 可以很好地满足这些需求。
• 例如，法律、医疗等领域的专业文档问答，RAG 可以通过检索权威数据源提供可靠答案。

3. 应用场景广泛：

• RAG 已经在企业文档管理、客户服务、教育等领域有了大量应用，市场需求明确且容易验证 ROI。

总结

RAG 是智能体应用的基础，因为它直接提升了大模型的实用性，并且技术实现和商业价值都较为明确。

2.2 Workflow（工作流）：中层落地

特点

• Workflow 是指以固定的代码流程的形式，来自动化处理复杂的业务流程，例如审批、数据处理、任务分配等。
• 它通常涉及多个步骤的协作，可能需要调用不同的 API、数据库或其他工具。

落地原因

1. 复杂性提升：

• Workflow 比 RAG 更复杂，因为它需要将多个任务串联起来，并确保执行的逻辑性和可靠性。
• 例如，自动化的订单处理可能涉及库存查询、支付验证、物流安排等多个步骤。

2. 企业需求驱动：

• 企业中有大量重复性、规则性强的工作需要自动化，智能体在工作流自动化中可以显著提高效率。
• 例如，财务报表生成、合同审批流程等场景，智能体可以辅助完成。

3. 工具链逐步成熟：

• 随着 RAG 和其他技术的普及，许多工具链（如 Dify、Coze、n8n 等）已经可以支持复杂的工作流自动化。

总结

Workflow 是智能体应用的中间阶段，因为它需要在技术上整合更多的模块，同时市场需求也逐渐从单一任务（如信息检索）转向复杂任务的自动化。

2.3 Agent：高级落地

特点

• Agent 是一种更复杂、更智能的应用形态，能够自主感知环境、规划任务并执行操作，甚至可以在不确定性环境中进行决策。
• 智能体通常需要结合多种技术（如强化学习、动态规划）来实现高水平的智能行为。

落地原因
1. 技术门槛最高：

• Agent 的实现需要更强的技术支持，包括任务规划、上下文理解、多模态交互等。
• 它不仅需要调用外部工具，还需要在复杂场景中实现动态调整和自适应能力。
• 垂直场景下的 Agent 往往需要用到微调，对一般企业来说是巨大的时间成本与人力、算力成本。

2. 应用场景尚未完全成熟：

• Agent 的潜力巨大，但目前的市场需求还集中在较为明确的任务上（如 RAG 和 Workflow）。
• 在一些高复杂度场景中（而 B 端场景多为此类复杂、容错率低场景），Agent 的能力仍在探索中。

3. 逐步演进的必然性：

• Agent 的构建往往需要以 RAG 和 Workflow 为基础。RAG 提供知识支撑，Workflow 提供任务执行框架，Agent 则在此基础上实现更高层次的智能化。

• 例如，一个智能客服 Agent 可能需要先通过 RAG 获取知识，再通过 Workflow 完成用户请求的具体流程，最后实现全流程的自主化。

总结

Agent 是智能体应用的高级阶段，其落地需要更高的技术支持和更成熟的市场需求。

💡为什么是 RAG → Workflow → Agent？

1.技术复杂性逐步递增：

• 从 RAG 到 Workflow，再到 Agent，技术实现的复杂性逐步提升，因此需要分阶段落地。

2.市场需求逐步深入：

• 市场对智能体的需求从单一任务（信息获取）逐步扩展到复杂任务（流程自动化）和全面智能（自主决策）。

3.生态系统逐步完善：

• RAG 和 Workflow 的发展为 Agent 提供了技术和应用基础，使得 Agent 的落地成为可能。

这种分阶段发展的路径，既符合技术发展的逻辑，也贴合市场需求的演进规律。

三、企业落地的另一面

而实际上目前的企业，往往是从 Workflow 向 RAG 推进的RAG 落地容易，但做好很难，高准确率难上加难

3.1 RAG 的企业应用门槛为何更高？

数据质量与知识库建设

• 企业级 RAG 的核心是“高质量知识库”的构建和维护。这需要：

  • 数据收集与整理：企业需要将内部的文档、数据库、日志等数据进行清洗、分类和结构化。
  • 知识库更新与管理：知识库需要实时更新，以确保信息的准确性和时效性。
  • 隐私与安全保障：企业数据通常涉及敏感信息，如何在检索过程中保护隐私并满足合规要求（如：部门权限、人员权限）是一个高门槛。

场景复杂性

• 企业应用中的 RAG 场景通常非常复杂。例如：
  • 在法律或医疗领域，RAG 需要检索权威文档并生成高精准度的回答，错误成本极高。
  • 在金融领域，RAG 可能需要实时处理动态数据（如股票行情）并结合历史数据生成预测。

技术复杂度

• RAG 的实现需要整合多种技术：
  • 向量检索：需要搭建高效的向量数据库，并优化查询性能。甚至专业团队（如数据工程师、NLP 专家）进行系统开发和优化。
  • 多模态数据支持：企业数据可能是文本、表格、图片、视频等多种格式，RAG 系统需要支持多模态检索和生成。
  • 模型微调：为了满足企业特定需求，RAG 往往需要对大语言模型进行微调，增加其领域适配性。

3.2 Workflow 的企业应用为何相对简单？

明确的规则与流程

• Workflow 的核心是将企业中已有的业务流程进行自动化，这些流程通常是明确的、规则化的。例如：

  • 自动审批流程：从表单提交到审批通过，逻辑清晰。
  • 数据处理流程：定期从数据库中提取数据，生成报告。

• 由于这些流程的规则性强，开发难度相对较低。

工具生态成熟

• 当前市场上已经有许多成熟的 Workflow 搭建工具，无论是商业化产品还是开源框架：

  • 低代码/无代码平台：如 Dify、Coze、n8n，可以让企业快速搭建自动化流程。
  • API 集成工具：通过调用现成的 API，企业可以轻松实现跨系统的工作流连接。
  • 模块化设计：Workflow 系统通常是模块化的，企业可以根据需求选择和组合功能。

技术实现门槛较低

• 相比 RAG，Workflow 的技术实现更侧重于逻辑编排和系统集成：

  • 不需要复杂的模型训练，只需对现有工具和系统进行集成。

• 数据处理需求通常是结构化的，技术挑战较小。

快速验证 ROI

• Workflow 自动化的效果容易量化：减少人工操作时间、提高效率、降低错误率等。这使得企业更容易验证其投资回报（ROI），从而加快落地速度。

💡虽然从技术发展路径来看，RAG 是智能体应用的基础，但从 企业级别应用 的角度，Workflow自动化可能更容易优先落地，且优先级可能高于 RAG，但两者是互补的，最终可以共同构建智能化的企业系统。。

• 企业更倾向于从 Workflow 开始，因为它门槛低、见效快，而 RAG 则适合在特定场景下深入应用。
• 可以先通过 Workflow自动化实现效率提升，再逐步引入 RAG 技术来增强知识型任务的能力。

为什么要学AI大模型？

2024人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】