RAG、LangChain、Agent 到底有啥关系？

LangChain 是框架，RAG 是方法，Agent 是模式。
|名称|类型|定义|举例说明|
|-|-|-|-|
|LangChain|开发框架|提供大模型系统的标准组件|提供 Retriever、Memory、Agent、Chain 等组件|
|RAG|技术方法|通过检索外部知识增强生成|“你公司文档”+ LLM 的问答系统|
|Agent|执行模式|让大模型能自己选择并调用工具|用 LLM 控制工具链、实现多步推理|

自从 ChatGPT 出圈之后，越来越多企业开始探索如何将大模型引入到实际业务中：比如构建企业知识问答系统、智能客服、自动文档生成器、代码助手…… 这些系统通常都有一个共同特点：不再只是依赖大模型原始的“聊天能力”，而是构建了一个工具增强的大模型系统。

而在这个过程中，三个名字反复出现：

• ✅ LangChain
• ✅ RAG
• ✅ Agent

但很多人第一次看到这三个词的时候容易混淆，甚至以为它们指的是同一个概念。今天我就来把这三者讲清楚、讲透彻、讲实用。

引用一张知乎里面的图片给一个概念：

你可以在LangChain框架中使用RAG技术来创建一个Agent，扮演特定的角色专门解决用户的特定需求。

• LangChain 是工具箱，帮助你快速拼装大模型应用
• RAG 是查资料，补充模型知识
• Agent 是调度员，组织复杂任务执行

1. 什么是 LangChain？它是框架，不是方法

LangChain 不是某种技术，而是一个“为大模型系统开发提供标准组件和框架的工具集”。

核心定位：LangChain 是一个用来构建 “具备推理能力 + 工具使用 + 记忆能力 + 可编排能力” 的 LLM 应用的开发框架。

LangChain提供了什么？

LangChain 将一个完整的大模型系统拆成了很多「标准模块」：

• LLM：对接 OpenAI、Anthropic、ChatGLM 等大模型
• PromptTemplate：对提示词进行结构化管理
• Memory：让模型记住过去的对话历史
• Retriever：实现向量数据库检索（即 RAG）
• Tool：让大模型调用外部工具，如搜索引擎、Python执行器等
• Agent：组织大模型调用多个工具的逻辑执行者（重点见下文）
• Chain：串联多个步骤，实现思维链式多轮问答/推理

比如你想开发一个「企业级文档问答系统」，LangChain 可以帮你快速组装出以下结构：

用户问题 → 文本向量化检索 → 提示模板生成Prompt → LLM生成答案

所以我们说，LangChain 是“工具箱 + 构建流水线”的一套系统开发框架。

2. 什么是 RAG？它是技术方法，不是框架

RAG（Retrieval-Augmented Generation） 是一种让大模型“使用外部知识”的方法，尤其适合“企业知识问答”类场景。

模型不知道的知识，让它去查。最早出自这篇论文：https://arxiv.org/pdf/2005.11401

大模型并不是实时联网的，参数里也不可能包含所有你企业的文档或数据库。那么怎么让它回答你公司业务相关的问题呢？

RAG 就是解决这个问题的方法。它的流程如下：

用户问题
   ↓
向量化检索（搜索本地知识库）
   ↓
找到相关文档片段
   ↓
将这些片段 + 用户问题一并送入大模型生成答案

RAG的技术流程如下：

因此RAG非常适合应用在如下场景：

• 企业知识库问答（如员工手册、技术文档）
• 合同、财报等文档解析
• 与私有数据库对接

3. 什么是 Agent？它是“多工具调用调度员”

Agent 是 LangChain 中最核心、最有意思的概念。

Agent 就是一个“大模型驱动的指挥官”，可以根据用户输入判断该用哪个工具，然后组织一系列步骤来解决问题。

Agent能做什么？

• 判断用户意图
• 选择合适的工具（比如 Calculator、Google Search、Python）
• 组织调用多个工具解决复杂任务
• 支持多轮推理和反复尝试

例如用户输入：“请你告诉我今天北京的天气，并计算从现在到下周五还有几天。”

那么Agent 背后的动作可能是：

1. 使用 WeatherAPI 工具获取北京天气
2. 使用 Python工具 计算当前日期与下周五相差的天数
3. 拼接回答并返回给用户

企业真实落地案例：三者如何组合使用？

场景一：企业知识问答系统

目标： 员工在页面上提问公司制度/技术问题，系统即时回答。

• ✅ 使用 RAG 解决“模型不知道”的企业知识
• ✅ 使用 LangChain 整合向量数据库 + Prompt + LLM
• ❌ 不用 Agent（任务简单，不需多步推理）

技术结构图：

LangChain：
   Prompt + LLM + Retriever（RAG实现）
   ↓
OpenAI/ChatGLM 生成答案

场景二：智能客服 + 工单系统

目标： 用户提问后，系统自动识别问题类型，调用 API、下单或查库。

• ✅ 使用 Agent 选择工具（如 FAQ、工单系统、下单接口）
• ✅ 使用 RAG 获取知识库文档
• ✅ 使用 LangChain 统一编排、支持工具插件

参考文献

1. https://www.zhihu.com/question/2495164206/answer/23805726342
2. https://arxiv.org/pdf/2005.11401
3. https://medium.com/@amit25173/langchain-vs-rag-e27b590d64a3
4. https://github.com/liguodongiot/llm-action

🤗 ‌**手写不易，辛苦点赞收藏鼓励一下吧 **🤗