体验 Agent
中文

← 认识 AI · Agent 如何使用工具

学习路线 · ⑤

MCP / RAG

让 AI Agent 连接工具、获取知识，并完成更复杂的任务。

AI Agent 不应该只依赖模型本身的知识。它还需要：

  • 连接工具
  • 获取知识
  • 访问外部世界

而 MCP 和 RAG 正好解决其中两个重要问题。

AI Agent
MCP连接工具与服务让 AI 能做什么
RAG获取外部知识让 AI 知道什么

MCP 解决「怎么连接」，RAG 解决「怎么获取和使用知识」。

为什么 Agent 需要 MCP 和 RAG？

「帮我分析公司的产品资料，并根据最新数据写一份市场报告。」
  1. 公司产品资料
  2. RAG
  3. 找到相关知识
  4. 最新市场数据
  5. Search / API
  6. 获取外部信息
  7. 各种外部服务
  8. MCP
  9. 连接工具
  10. 知识 + 工具 + LLM
  11. Agent
  12. 报告

相比之下，单纯：

  1. 用户 → LLM → 回答

这就比单纯的「用户 → LLM → 回答」强大很多。

什么是 MCP？

MCP（Model Context Protocol）是一种用于让 AI 应用连接外部工具、数据和服务的开放协议。

MCP 是 AI 与外部世界之间的一种「通用连接方式」。

  1. AI Agent
  2. MCP
  3. 文件 数据库 服务
  4. 外部世界 外部世界 外部世界

MCP 解决什么问题？

假设没有统一的连接方式：

  1. Agent → GitHub
  2. Agent → Notion
  3. Agent → Database
  4. Agent → File System
  5. Agent → API
  6. （每种都要单独对接）

MCP 的思路是：

  1. Agent
  2. MCP
  3. GitHub Database Files

MCP 让 AI 与各种工具、数据和服务之间的连接更加标准化。

MCP 能做什么？

  • 文件

    Agent 可以访问经过授权的文件。

  • 数据库

    Agent 可以查询数据。

  • 开发工具

    Agent 可以与开发环境或代码相关服务连接。

  • 外部服务

    Agent 可以连接各种 API 和应用。

  • 自定义工具

    开发者也可以提供 MCP Server，让 Agent 使用特定能力。

MCP 专题卡片 →

什么是 RAG？

RAG（Retrieval-Augmented Generation，检索增强生成）是一种让 AI 在生成回答之前，从外部知识中检索相关信息的方法。

先找到相关资料，再让 AI 根据这些资料回答。

  1. 你的问题
  2. 🔎 检索相关资料
  3. 📚 找到相关内容
  4. 🧠 LLM
  5. 生成回答

RAG = Retrieval + Generation（检索 + 生成）

为什么需要 RAG？

产品手册、员工手册、技术文档、客户资料、项目文档……

「我们的产品支持哪些付款方式？」
  1. 用户问题
  2. 🔎 搜索知识库
  3. 找到「付款方式」相关内容
  4. 🧠 LLM
  5. 根据资料生成回答

RAG 是怎么工作的？

  1. 📚 知识库
  2. 文档切分
  3. 向量化
  4. 🔎 建立索引
  5. 用户提问
  6. 检索相关内容
  7. 用户问题 相关资料
  8. LLM
  9. 回答

深入了解 RAG →

MCP 和 RAG 有什么区别？

MCPRAG
主要解决连接知识
核心问题AI 怎么使用外部工具？AI 怎么找到外部信息？
作用连接工具、数据、服务检索相关知识
类比AI 的「接口」AI 的「资料库」
典型场景API、文件、数据库、应用文档、知识库、内部资料
Agent 中的作用扩展行动能力扩展知识能力

🔌 MCP：让 AI 能连接。 📚 RAG：让 AI 能找到。

MCP + RAG 可以一起使用吗？

「根据公司的内部资料，分析今年的销售情况，并生成报告。」
  1. 用户任务
  2. AI Agent
  3. RAG MCP
  4. 公司知识库 数据库
  5. LLM
  6. 分析结果
  7. 📝 报告

RAG 给 Agent 知识。

MCP 给 Agent 连接外部工具的能力。

LLM 负责理解、推理和生成。

Agent 把它们组合起来完成任务。

一个完整的 Agent 是什么样的？

  1. AI Agent
  2. LLM Tools Memory
  3. │ MCP
  4. │ 外部工具/服务
  5. RAG
  6. 外部知识
  7. 完成任务

LLM 负责理解和推理，Tools 提供能力，MCP 帮助连接工具，RAG 提供外部知识，而 Agent 把这些能力组织起来完成任务——这也是整个「认识 AI」系列的小总结。

真实例子：Research Agent

「研究一下日本 AI Agent 市场，并结合我上传的行业报告进行分析。」
  1. 理解任务
  2. 制定研究计划
  3. MCP / Search
  4. 获取最新市场资料
  5. RAG
  6. 检索用户上传的行业报告
  7. LLM
  8. 分析和比较信息
  9. 再次调用工具
  10. 补充缺失资料
  11. 生成研究报告

原来 MCP、RAG 并不是孤立的技术名词，它们都是 Agent 完成任务的基础设施。

体验 Research Agent →

MCP / RAG 的局限

  • MCP

    连接能力越强，权限管理越重要。Agent 能访问什么，必须由用户或系统明确控制。

  • RAG

    检索结果的质量会直接影响回答。知识库没有相关内容，或检索到了错误内容，最终结果也可能受到影响。

MCP 和 RAG 都不是「让 AI 自动变得正确」的魔法——它们是帮助 Agent 获得更多能力和信息的技术。

AI Agent 正在连接一个更大的世界

从 LLM → Tools → MCP + RAG → AI Agent

  1. AI Agent
  2. LLM
  3. Agent
  4. MCP RAG
  5. 工具世界 知识世界
  6. 完成任务

🚀 继续探索

AI 学习路线 →