“ 智能体和RAG技术有交集，但智能体功能更强，应用范围更广。”

在大模型的应用场景中，RAG和智能体是其两个主要应用方向；在之前对RAG和智能体不够了解的时候，一直认为RAG技术和智能体技术完全是两个不同方向的应用场景。

但随着对RAG和智能体认识的加深，现在发现RAG和智能体有一定的重合部分；记得之前在一篇文章中看到过，意思大概是基于大模型构建的应用，本质是一种数据增强技术，原因就在于大模型的数据能力不足，需要依赖外部数据源。

而不论是RAG技术，还是智能体技术，实际上都可以给大模型做数据增强；但智能体的不仅仅只有数据增强的功能，其比RAG技术更加强大；比如说智能体可以通过调用工具的方式获取外部数据，但同样也可以通过工具与外部环境进行交互。

这里交互的意思是指，智能体不但可以通过工具获取外部数据以影响模型；同样，智能体也可以通过工具去影响外部环境；简单理解就是智能体与外部环境的交互是双向的，但RAG却无法做到这点，RAG与外部环境的交互只能是单向的。

RAG与智能体的区别

RAG的本质是什么？

RAG的本质就是通过检索的方式从外部资料中获取数据，然后再通过提示词的方式把这些数据输入到大模型，使得大模型能够根据这些外部数据来回答或总结问题。

但大模型并不会关心你外部数据从哪里来，以及怎么来；而数据的来源这些都是RAG需要考虑的问题。

传统的RAG技术是基于传统的数据检索技术，以及新兴的向量相似度检索技术来获取外部数据；但有了智能体之后，智能体能够通过工具自主决策调用外部接口来获取数据。

其优点是灵活度更高，以搜索引擎为例；在RAG中其实也可以使用搜索引擎，那就是在RAG后端直接把用户的问题当做参数，调用搜索引擎的接口获取结果。

但这种方式灵活度不够高，比如说如果有些数据是企业内部数据，只能通过查询数据库或者接口调用的方式获取数据；这时应该怎么办？

通过智能体能够很好的实现这个功能，原因就在于智能体能够自主选择调用那个工具；而RAG却不行，RAG即使使用工具也只能把工具写死到代码中，并且面对多个工具RAG就彻底的无能为力了。

所以说这就是智能体比RAG更加强大的地方，RAG能做的智能体也能做，RAG不能做的智能体还能做；只不过从成本角度考虑来说，RAG技术更简单，难度也更低。

那智能体能那些事情，而RAG不能做呢？

这个就是前面说的智能体对环境的影响是双向的，而RAG对环境的影响是单向的。

比如说，大模型可以通过理解用户意图，去京东或淘宝上下单买东西，这个就是智能体对外部环境的影响；而很明显，这一点对RAG技术来说，是完全无法做到的。

所以说，RAG技术和智能体技术存在交集，但智能体技术应用范围更广，能力更强。

而这种智能体也有一个专业的名字——Agentic RAG。

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】