本文介绍了大语言模型的局限性及其解决方案，强调通过构建复合AI系统来克服实时数据获取、高成本重训练和"幻觉"问题。重点讲解了RAG技术如何检索外部知识增强生成，并对比了程序化控制逻辑与Agent式方法的区别。文章提出，现代AI应用应采用系统化思维，将大模型作为组件，结合其他模块构建更强大、可靠的AI应用。

---

LLM

大语言模型具备出色的推理与文本处理能力，能够轻松胜任知识查询、文档总结、电子邮件撰写等文本生成任务。对大多数人而言，AI 的主要形态仍然是聊天机器人。然而，当我们开始围绕模型构建系统，并尝试将其真正整合进现有流程时，问题便逐渐显现。例如，它无法回答“今天苹果公司的股价是多少？”这类需要实时信息的问题。其根源在于大模型的固有局限：

• 受限于训练数据的时效性与覆盖范围，无法直接获取最新或外部数据
• 重训练或大规模微调成本高、周期长
• 存在“幻觉”，在缺乏依据时可能生成看似合理但不准确的内容

Compound AI Systems

要回答“今天苹果公司的股价是多少？”这类问题，单靠模型记忆远远不够，必须接入外部知识来源（如行情API或数据库）。一个典型的处理链路是：

Question → Search/Query → DB/API → LLM → Answer

这让我们意识到，运用系统设计原则，才能更好地释放大模型的能力。这里的“系统”是模块化的：模型只是可替换的一个组件（可以是大语言模型、文生图模型或语音模型），除此之外还包含各类程序化模块，例如数据检索与集成、数据库或向量库、业务逻辑与调度、缓存、输出校验与反馈等。

我们希望以系统化的方法构建 AI 应用：把程序要完成的任务拆解为明确的步骤或职能，并为每一步选择最合适的组件来解决问题。与其一味微调单个模型，不如用系统设计的思路组合各组件——更容易落地实现，迭代更快，也更能迅速适配新需求与外部系统。

RAG（检索增强生成） 是解决大模型“实时性短板”最主流、最有效的技术方案之一。

RAG

简单来说，RAG的工作原理是：“不懂就去查”。它让大模型在回答问题前，先去一个实时更新的外部知识库（或数据库）里查找最新、最相关的信息，然后基于这些查到的“新鲜”信息来组织答案。

RAG将整个过程分为两个核心步骤：检索和生成。

第一步：检索

1. 用户提问：“今天苹果公司的股价是多少？”
2. 查询理解与转换：系统将用户的自然语言问题，转换成一个适合检索的查询向量。
3. 实时检索：系统拿着这个查询向量，去一个实时更新的外部知识库（如新闻网站API、股票数据库、公司内部最新文档库等）中，查找与之最相关的文档片段。
4. 获取最新信息：检索系统返回与“今天苹果股价”相关的最新报道、数据摘要或文档块。

第二步：增强生成

1. 组合提示：系统将用户原始问题和检索到的实时信息一起，组合成一个新的、增强型的提示（Prompt），递给大模型。示例提示：“请基于以下信息回答用户的问题。信息：[此处插入检索到的今天苹果股价和相关信息]。问题：今天苹果公司的股价是多少？”
2. 基于上下文的生成：大模型不再依赖其内部过时的记忆，而是严格地以提供的实时信息作为上下文和依据来生成答案。
3. 输出答案：模型生成最终答案，例如：“根据今天（具体日期）的实时数据，苹果公司的股价为XXX美元，上涨/下跌了X%。” 同时，它还可以引用信息来源，增加可信度。

因其能精准弥补LLM的短板（实时性、事实性、私有数据访问），RAG从一项学术技术演变为构建AI应用的核心架构范式，2022年底迎来了它的“高光时刻”（RAG在2020年就被提出，但它在2022年底至2023年才成为AI应用领域最热门的技术之一）。

Control Logic

上面的系统无法回答“上个赛季NBA总冠军球队是哪只？”，因为我们并未集成 NBA 数据源。系统的流程由设计者预设，通常是线性或带条件分支的。当遇到设计时未覆盖的输入或场景时，系统可能失效或产生错误输出。这与复合式 AI 系统的设计哲学是一致的：通过组合固定组件，为特定问题提供更优、更可靠的解决方案。也因此，复合式系统的“控制逻辑”主要由系统设计者的程序化规则主导。

那么，有没有另一种可能？答案是：把“控制逻辑”（决定做什么、先后顺序、使用哪些工具或数据源）交由大语言模型主导，这就是“Agent（智能体）式”的方法。Agent 的核心目标是在复杂环境中自主完成开放性目标：它根据对环境与目标的实时理解，自主决定下一步行动并持续调整。

所以，系统控制逻辑是否由AI主导成为了复合AI应用和Agent应用一大区别。

对于复合AI系统，我们期望系统快速思考，按程序运行，不要偏离我给你的指令。对于Agent应用，我们期望制定计划，逐一执行计划的每个部分，看看哪里遇到困难，看看是否需要调整计划。

在现代架构中，两者正快速融合：一个强大的AI Agent内部，会使用多个精心设计的Compound AI Systems作为其核心工具；而一个复杂的Compound AI System，也可能在某些模块中引入Agent的决策机制。

Agent

An LLM agent runs tools in a loop to achieve a goal.

https://simonwillison.net/2025/Sep/18/agents/

Agent是将语言模型与工具相结合，构建能够对任务进行推理、决定应使用哪些工具，并通过迭代逐步逼近解决方案的系统。

关于agent的详细介绍，下一篇见。

如何学习AI大模型 ？

“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，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。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）