“ 智能體和RAG技術有交集，但智能體功能更強，應用范圍更廣。”

在大模型的應用場景中，RAG和智能體是其兩個主要應用方向；在之前對RAG和智能體不夠了解的時候，一直認為RAG技術和智能體技術完全是兩個不同方向的應用場景。

但隨著對RAG和智能體認識的加深，現在發現RAG和智能體有一定的重合部分；記得之前在一篇文章中看到過，意思大概是基于大模型構建的應用，本質是一種數據增強技術，原因就在于大模型的數據能力不足，需要依賴外部數據源。

而不論是RAG技術，還是智能體技術，實際上都可以給大模型做數據增強；但智能體的不僅僅只有數據增強的功能，其比RAG技術更加強大；比如說智能體可以通過調用工具的方式獲取外部數據，但同樣也可以通過工具與外部環境進行交互。

這里交互的意思是指，智能體不但可以通過工具獲取外部數據以影響模型；同樣，智能體也可以通過工具去影響外部環境；簡單理解就是智能體與外部環境的交互是雙向的，但RAG卻無法做到這點，RAG與外部環境的交互只能是單向的。

RAG與智能體的區別

RAG的本質是什么？

RAG的本質就是通過檢索的方式從外部資料中獲取數據，然后再通過提示詞的方式把這些數據輸入到大模型，使得大模型能夠根據這些外部數據來回答或總結問題。

但大模型并不會關心你外部數據從哪里來，以及怎么來；而數據的來源這些都是RAG需要考慮的問題。

傳統的RAG技術是基于傳統的數據檢索技術，以及新興的向量相似度檢索技術來獲取外部數據；但有了智能體之后，智能體能夠通過工具自主決策調用外部接口來獲取數據。

其優點是靈活度更高，以搜索引擎為例；在RAG中其實也可以使用搜索引擎，那就是在RAG后端直接把用戶的問題當做參數，調用搜索引擎的接口獲取結果。

但這種方式靈活度不夠高，比如說如果有些數據是企業內部數據，只能通過查詢數據庫或者接口調用的方式獲取數據；這時應該怎么辦？

通過智能體能夠很好的實現這個功能，原因就在于智能體能夠自主選擇調用那個工具；而RAG卻不行，RAG即使使用工具也只能把工具寫死到代碼中，并且面對多個工具RAG就徹底的無能為力了。

所以說這就是智能體比RAG更加強大的地方，RAG能做的智能體也能做，RAG不能做的智能體還能做；只不過從成本角度考慮來說，RAG技術更簡單，難度也更低。

那智能體能那些事情，而RAG不能做呢？

這個就是前面說的智能體對環境的影響是雙向的，而RAG對環境的影響是單向的。

比如說，大模型可以通過理解用戶意圖，去京東或淘寶上下單買東西，這個就是智能體對外部環境的影響；而很明顯，這一點對RAG技術來說，是完全無法做到的。 

所以說，RAG技術和智能體技術存在交集，但智能體技術應用范圍更廣，能力更強。

而這種智能體也有一個專業的名字——Agentic RAG。

本文轉載自??AI探索時代?? 作者：DFires