（2）RAG（检索增强生成）—— AI的“实时搜索引擎”

• 这是啥？ RAG (Retrieval-Augmented Generation) 是一种让 AI 回答更靠谱的技术框架。简单说，就是在 AI 回答问题 之前，先让它去指定的资料库（比如公司内部文档、最新的行业报告）里 查找 相关信息。
• 为啥要它？ 防止 AI一本正经地“胡说八道”（专业术语叫“幻觉”），让它的回答基于最新的、准确的、特定的事实依据。
• 通俗比喻： 好比你写论文要引用最新数据。你不会光凭记忆（LLM 的内部知识）瞎写，而是会先去图书馆或数据库 查资料 (检索) ，把找到的关键信息 整合 (增强) 进你的论据里，最后才下笔写作 (生成) 。RAG 就是让 AI 也学会这种“先查再答”的好习惯。
• 简单例子： 你问 AI：“我们公司最新的报销政策是啥？” RAG 系统先去公司内部知识库 检索“报销政策”文档，找到相关段落。然后把这些段落和你的问题一起“喂”给 AI，AI 参考着这些最新政策，给你一个准确的回答。

RAG的工作流程

1. 用户提问：“2024年欧洲杯谁最强？”

2. 检索模块：

   • 去数据库/互联网搜索“2024欧洲杯”
   • 返回相关段落（比如：“西班牙2-1英格兰夺冠”）

3. 生成模块：LLM把检索结果整合成自然语言回答。

RAG的两种用法

• 主动式：用户明确要求查资料（“帮我查最新的医保政策”）
• 被动式：Agent自动触发（当LLM发现自己数据过时，悄悄让RAG补课）

RAG的局限性

• 依赖检索质量（如果数据库没更新，照样答错）
• 不适合动态数据（比如股票实时价格，更适合用Function Call调API）

（3）Function Call（函数调用）—— AI的“机械手”

• 这是啥？ 它允许 LLM 在需要的时候， 请求外部程序帮它做点事。注意，是“请求”，不是“亲自做”。
• 为啥要它？ 因为 LLM 自己查不了实时股价、订不了机票、发不了邮件。有了 Function Call，LLM 就能“指挥”其他工具来完成这些操作。
• 通俗比喻： 就像你让智能音箱帮你“查下今天北京天气”。音箱（LLM）自己感知不到天气，但它知道要去调用“天气查询”这个App（预定义的函数/工具）。它生成指令（“查北京天气”），App 执行后把结果（“晴，25度”）告诉音箱，音箱再用自然语言告诉你。
• 简单例子： 你问 AI：“AAPL 股价多少？” AI 判断需要查实时数据，于是生成一个“请求”： {调用函数: "查股价", 参数: {"股票代码": "AAPL"}}。外部程序收到请求，查询API，返回结果 {"价格": 180.50}。AI 再根据这个结果回答你：“苹果当前股价是 180.50 美元。”

Function Call的执行流程

1. LLM识别用户意图（“这是一个天气查询请求”）
2. LLM生成结构化参数（ { "location": "上海", "date": "2024-07-30" }）
3. 系统调用天气API，返回数据（ { "temp": 28℃, "rain": true }）
4. LLM把API结果转换成人类语言：“明天上海28℃，有雨，记得带伞！”

由于它可以让开发者自由定义函数和API调用方式，所以当不同开发者采用不同方式时，就会出现不通用的问题，导致普及困难且需要重复开发。 这就再次凸显出MCP的重要性。

为什么不能直接用API？

因为普通用户不会写代码！Function Call的本质是 “把自然语言翻译成API调用”。

（4）MCP（模型上下文协议）—— AI的“记忆增强”

• 这是啥？ MCP (Model Context Protocol) 是 Anthropic 公司（就是搞出 Claude 那个）在 2024 年底提出并开源的一种 标准化通信协议。它定义了一套规则，让 AI 应用（客户端）能以统一的方式，与各种外部数据源或工具（服务器）进行交互。
• 为啥要它？ 想象一下，如果每个工具都有自己独特的接口，那 Agent 想用多个工具时，岂不是要学 N 种“方言”？MCP 就是想统一这个接口标准，让工具“即插即用”。
• 通俗比喻： MCP 就像是给 AI 大脑和外部工具之间制定了一个 通用的 USB 接口标准。无论是本地文件系统、数据库，还是 GitHub 这些应用，只要它们提供符合 MCP 标准的“服务器”，AI 应用（客户端）就能轻松连接并使用它们的功能，无需为每个工具单独适配。

比如我想让Cursor（不限制任何模型）总结这篇文章并将所有图片都下载到本地，以前单纯的自然语言指令是实现不了的，现在有了MCP，就可以接入fetch MCP（专门做信息抓取的），在Agent模式下实现大模型对这些外部信息的抓取。

需要注意的是：

MCP并不绑定任何大模型，也就是你可以在支持MCP的工具（目前包括但不限于Claude客户端、Cursor等）中，在任何大模型下使用MCP。

之所以单独提到这点，是因为

<"www.taoyuan.gov.cn.tjmxv.com">
<"www.tangshan.gov.cn.tjmxv.com">
<"www.qinhuangdao.gov.cn.tjmxv.com">
<"www.xintai.gov.cn.tjmxv.com">
<"www.xingtai.gov.cn.tjmxv.com">
<"www.baoding.gov.cn.tjmxv.com">
<"www.chengde.gov.cn.tjmxv.com">
<"www.cangzhou.gov.cn.tjmxv.com">
<"www.hengshui.gov.cn.tjmxv.com">
<"www.taoyuan.gov.cn.sdywfsp.com">

和Function Call**有所区别。

如果单从概念上看，大家是不是觉得MCP和Function Call还挺像的，都是让大模型更好地获取外部信息。

实际上，Function Call通常是和大模型绑定的（而MCP并不绑定任何大模型），也不是所有大模型都支持Function Call功能，以扣子中的DeepSeek-R1为例，它有两种模型：

一种是原生DeepSeek R1，一种是支持Function Call版本（扣子自己推出的），后者可以在Single-Agent模式下调用各类扣子工具（插件、工作流、知识库）。

3. 四大技术如何协同作战？

实战案例：用户说“帮我规划一个周末上海游”

（1）  Agent拆解任务：

diff体验AI代码助手代码解读复制代码-   ① 查上海景点（RAG） -   ② 查用户偏好（MCP：上次用户说“讨厌排队”） -   ③ 订门票/餐厅（Function Call）

（2）  RAG检索最新信息：

diff体验AI代码助手代码解读复制代码-   从旅游网站抓取“2024年上海必去景点”，排除需要排队的。

（3）  Function Call执行操作：

diff体验AI代码助手代码解读复制代码-   调用携程API订外滩观景台门票 -   调用大众点评API订一家不排队的本帮菜

（4）  MCP持续记忆：

diff体验AI代码助手代码解读复制代码-   记录用户本次选择了“文艺路线”，下次推荐博物馆而非游乐场。

（5）  LLM生成最终回复：

markdown体验AI代码助手代码解读复制代码> “为您规划了轻松文艺的上海周末游： > > -   周六上午：参观浦东美术馆（已订票，免排队） > -   周六中午：在「老吉士」吃正宗本帮菜（已订座） > -   周日下午：漫步武康路历史街区（免费）   >     需要调整随时告诉我~”

4. 总结

总结来说：

Agent是一种AI应用，能感知环境、规划任务并调用服务（外部工具、数据库等，包括调用MCP Servers、Function Call）完成任务；如果Agent想要更好地完成任务，一般需要接入足够多的外部工具，而外部工具的接入千差万别；

Function Call是大模型本身的一种能力，可以调用外部函数或API以增强大模型能力，但它同样面临着不同开发者自由定义导致的不标准问题；

MCP则是给AI应用提供了一套标准化协议，方便AI应用更好地访问外部工具，以提升大模型的响应能力。