RAG 和 Agent，不是替代关系，更像是分工关系。RAG 擅长把正确知识找出来，让模型少胡说。Agent 擅长把任务往前推进，让系统不只会答，还会做。所以如果你的场景是企业级知识库检索，我的建议通常是：先把 RAG 打牢，把权限、版本、来源、重排这些基础问题解决掉。别一上来就被 Agent 的“全能感”带跑。但如果你的目标已经不是“回答问题”，而是“根据知识做判断，再调用系统完成动作”，那就别

RAG 和 Agent，不是替代关系，更像是分工关系。RAG 擅长把正确知识找出来，让模型少胡说。Agent 擅长把任务往前推进，让系统不只会答，还会做。所以如果你的场景是企业级知识库检索，我的建议通常是：先把 RAG 打牢，把权限、版本、来源、重排这些基础问题解决掉。别一上来就被 Agent 的“全能感”带跑。但如果你的目标已经不是“回答问题”，而是“根据知识做判断，再调用系统完成动作”，那就别

有些系统会每几轮自动总结一次，但总结内容全是“用户咨询订单问题，客服进行了回复”。这种摘要几乎没用。好的摘要必须能驱动下一步动作，比如“用户关注是否可退款，已提供订单号，当前因物流延迟产生负面情绪，若今日未送达可能升级投诉”。客服 Agent 最容易被骗的一件事，就是 demo 看起来很聪明。真上生产后，你会发现决定成败的不是那句“您好，很高兴为您服务”写得像不像人，而是系统能不能在第 8 轮、第

Multi-Agent 这件事，最迷惑人的地方就在于：它看起来像“更智能”，实际上首先是“更复杂”。如果单体 Agent 都还没解决好可观测性、上下文治理、错误恢复、工具稳定性，那你把它拆成多个 Agent，大概率只是把问题复制了好几份。先把单体做好，再做多 Agent。先解决职责问题，再解决分布式问题。这样走，系统会比较像工程产品。反过来走，系统很容易变成架构展览馆。这波 AI Agent 热潮

Function Calling（函数调用）是大型语言模型(LLM)的原生能力，允许模型在生成回复时识别需要调用的外部函数，并生成符合函数签名的参数。MCP（Model Context Protocol，模型上下文协议）是由Anthropic推出的开放协议标准，用于标准化AI模型与外部工具、数据源之间的连接方式。Agent Skills（代理技能）是预构建的、高层次的工具模块，封装了完成特定复杂任

vue3 前后端分离 前端向后端发送请求https://i-blog.csdnimg.cn/blog_migrate/tags/8a4bfa4a5d53ce03efff2abd920b6ca4.png

Docker部署springboot