导读本文将用最通俗的语言带你通过图文并茂的方式彻底理解 LLM、Agent、RAG 和 Skill 的关系与应用。适合人群前端开发、Python 爱好者、AI 探索者注本文只是做科普目前AI技术热点科普不是专业技术分享。前言AI时代不懂这些你就out了2023年被称为AI元年ChatGPT的出现让大语言模型LLM走进了大众视野。但很快我们发现单纯的大模型还不够❌ 它不知道最新的新闻❌ 它不能操作你的电脑❌ 它无法完成复杂的多步骤任务于是Agent、RAG、Skill这些技术应运而生。今天我们就来聊聊这四大核心技术。一、LLMAI的大脑1.1 什么是LLM1.1 什么是LLMLLM (Large Language Model)也就是我们要说的“大模型”比如deepseek、GPT、Gemini 等。它是谁它是整个 AI 系统的“大脑”。它读过几乎全互联网的书上知天文下知地理能写诗、能写代码、能陪你聊天。它的超能力✅理解力 Max能听懂你在说什么。✅生成力 Max能快速生成高质量的文本。✅推理力 Max能处理复杂的逻辑问题。1.2 常见的LLM有哪些模型公司特点GPTOpenAI综合能力最强多模态支持ClaudeAnthropic代码能力强上下文超长GeminiGoogle多模态原生免费额度多DeepSeekDeepSeek国产之光性价比超高推理能力强LlamaMeta开源可商用本地部署文心一言百度中文优化国内可用通义千问阿里开源版本多生态丰富Kimi月之暗面长文本处理能力突出1.3 LLM的局限性虽然LLM很强大但它有三大硬伤所以光有 LLM 是不够的我们需要帮手这就引出了另外三个技术RAG、Skill、Agent。二、RAG给LLM装上知识外挂2.1 什么是RAG它是谁如果 LLM 是一个参加“开卷考试”的学生那 RAG 就是他手边的“教科书”或者“图书馆”。为什么要用它当你要问 LLM 关于“你们公司最新的考勤制度”时LLM 肯定不知道。这时候RAG 的作用就来了检索 (Retrieve)先去你们公司的文档库里把“考勤制度”相关的段落找出来。增强 (Augment)把这些段落和你的问题一起扔给 LLM。生成 (Generate)LLM 看着这些资料回答你的问题。核心价值✨解决幻觉有据可查不再瞎编。✨数据私有化不用把数据训练进模型也能回答私有领域问题。✨实时性文档更新了回答自然就更新了。2.2 RAG的工作原理2.3 RAG的实际应用企业知识库问答上传公司文档员工随时提问智能客服基于产品手册自动回答用户问题论文检索上传论文库快速找到相关内容代码助手基于项目代码库回答技术问题2.4 代码示例# 使用LangChain实现简单RAG新版API from langchain_openai import OpenAIEmbeddings, ChatOpenAI from langchain_chroma import Chroma from langchain_text_splitters import CharacterTextSplitter from langchain_community.document_loaders import TextLoader from langchain.chains import RetrievalQA # 1. 加载文档 loader TextLoader(公司手册.txt, encodingutf-8) documents loader.load() # 2. 切分文档 text_splitter CharacterTextSplitter(chunk_size1000, chunk_overlap200) texts text_splitter.split_documents(documents) # 3. 创建向量库 embeddings OpenAIEmbeddings() vectorstore Chroma.from_documents(texts, embeddings) # 4. 创建检索器 retriever vectorstore.as_retriever(search_kwargs{k: 3}) # 5. 创建问答链 qa_chain RetrievalQA.from_chain_type( llmChatOpenAI(modelgpt-4, temperature0), chain_typestuff, retrieverretriever ) # 6. 提问 query 公司的年假政策是什么 answer qa_chain.invoke({query: query}) print(answer[result])三、Skill给LLM配备工具箱3.1 什么是Skill它是谁它是 Agent 手里的“锤子”、“扳手”、“计算器”。为什么需要它LLM 虽然聪明但它不擅长做某些具体的事情比如精确数学计算大模型算数很差不如调个计算器。获取实时天气需要调天气 API。操作 Excel需要调 Python 脚本。画图需要调绘图模型。Skill 就是把这些具体的能力封装成函数或 API让 Agent 可以随时调用。Skill技能就是让LLM能够调用外部工具的能力。如果说RAG是给LLM补充知识那Skill就是给LLM赋予能力。3.2 常见的Skill类型类型示例用途搜索工具Google Search、Bing API获取实时信息计算工具Python解释器、Wolfram Alpha精确计算数据库工具SQL查询、MongoDB数据操作文件工具读写文件、处理Excel文档处理API工具天气API、股票API获取外部数据浏览器工具Puppeteer、Selenium网页操作3.3 Skill的工作原理用户北京今天天气怎么样 ↓LLM分析需要获取实时天气信息 ↓LLM决定调用天气查询Skill ↓执行Skill调用天气API获取数据 ↓LLM生成北京今天晴25°C...四、Agent让AI成为智能体4.1 什么是AgentAgent智能体。这是目前最让人兴奋的概念它是谁如果说 LLM 是“大脑”RAG 是“书”那 Agent 就是“一个完整的人”。它不仅有大脑还有手Tools和耳目Sensors。它能做什么Agent 不仅仅是“回答问题”它的核心是“行动 (Action)”。它能根据你的目标自主拆解任务调用工具一步步完成工作。Agent智能体是AI的终极形态。举个栗子 你对deepseek说“帮我订一张明天去北京的机票。”纯 LLM只能告诉你怎么订票或者给你写一段订票的代码。Agent思考需要先查航班再选时间最后支付。行动 1调用“携程 API”查询航班。行动 2发现余额不足假设调用“提醒工具”告诉你。行动 3最终帮你下单。它不仅能理解、能生成还能自主规划分解复杂任务制定执行计划循环执行多步骤任务自动推进️工具调用灵活使用各种Skill记忆管理记住对话历史和中间结果4.2 Agent的核心架构一个完整的Agent通常包含四大核心模块Planning规划、Memory记忆、Tools工具、Action执行通过ReAct模式循环迭代完成任务。4.3 ReActAgent的经典范式ReActReasoning Acting是Agent最常用的工作模式Thought思考→ Action行动→ Observation观察→ ... → Answer回答示例用户苹果公司今年的营收是多少思考: 我需要搜索苹果公司最新的财务报告行动: 调用搜索工具搜索Apple revenue 2025观察: 找到Apple 2025 Q4财报营收xxx亿美元思考: 我已经找到了答案行动: 生成最终回答观察: 苹果公司2025年营收为xxx亿美元...4.4 LangChain实现Agentfrom langchain.agents import Tool, AgentExecutor, create_react_agent from langchain_openai import ChatOpenAI from langchain_community.utilities import SerpAPIWrapper from langchain.chains import LLMMathChain # 准备工具 search SerpAPIWrapper() llm ChatOpenAI(modelgpt-4, temperature0) llm_math_chain LLMMathChain(llmllm) tools [ Tool( nameSearch, funcsearch.run, description用于搜索实时信息 ), Tool( nameCalculator, funcllm_math_chain.run, description用于数学计算 ) ] # 创建Agent agent create_react_agent(llm, tools) agent_executor AgentExecutor(agentagent, toolstools, verboseTrue) # 运行 agent_executor.invoke({input: 苹果公司CEO是谁他今年多大了})五、四者关系一张图看懂 干货总结概念形象比喻核心作用关键词LLM大脑 理解、推理、生成通用、思考RAG图书馆 提供准确、私有的知识检索、上下文Skill工具箱 ️执行具体操作、弥补短板API、函数Agent完整的人 自主规划、完成复杂任务规划、行动六、实际应用场景6.1 智能客服机器人用户我的订单什么时候到Agent分析需要查询订单信息 ↓调用Skill查询订单数据库 ↓获取结果预计明天送达 ↓生成回复您的订单预计明天送达...6.2 企业知识助手用户公司的报销流程是什么RAG检索从知识库找到报销手册 ↓LLM理解提取关键步骤 ↓生成回复分步骤说明报销流程6.3 编程助手用户帮我写一个Python爬虫Agent规划 1. 分析需求 2. 编写代码 3. 解释代码 ↓调用Skill代码生成 代码解释 ↓输出完整代码 使用说明写在最后AI技术日新月异LLM、Agent、RAG、Skill只是开始。作为开发者我们要做的是保持学习关注最新技术动态动手实践纸上得来终觉浅解决问题用AI解决实际业务问题普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】