文章详细介绍了基于大模型构建智能体的三种调用模式：简单问答、工具调用(Function Calling)和RAG检索增强生成。重点解析了RAG技术的定义、多种架构及其应用场景，并指导开发者如何根据需求选择适当的增强手段，包括提示词工程、微调或混合方法，以解决大模型幻觉问题并提升应用效果。
本文将进一步介绍智能体要如何搭建起来。
一、概述
所谓幻觉（Hallucination），是模型在缺乏真实知识支撑时，会根据语言统计规律“合理地胡说”。 这个问题几乎存在于所有的大模型中，因为模型的知识都停留在训练数据里。
二、三种智能体的调用模式
当我们要基于大模型做一个问答系统时，通常可以有三种模式选择：简单问答、function calling，还有RAG。
2.1 一问一答模式
即简单的基于提示词 Prompt，这是最基础的应用方式，它局限于大模型的基础训练能力，适用于简单交互和信息获取。
2.2 工具调用模式
即 Function Calling，通过标准化接口调用内外部工具，支持API串联执行复杂任务，适用于数据分析自动化等复杂处理场景。
一个典型的 Function Calling 流程如下。
2.3 RAG模式
即检索增强模式，结合向量数据库构建个性化知识库，实现私有数据与大模型融合，在指定范围内进行学习和训练，避免出现大模型幻觉。
三、RAG介绍
下面我们展开说说，到底什么是RAG？
3.1 什么是RAG
RAG（Retrieval Augmented Generation，检索增强生成）是一种结合大型语言模型（LLM）与外部知识检索的人工智能架构。它可以最大限度减少人工智能的“幻觉”，提供最新的信息。
通用的 RAG 微调方法，由Lewis 等人在 2021 年的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中作了首次介绍。
RAG可以解决的问题包括：
- 减少AI幻觉：回应基于检索到的事实，最大限度降低AI带来的幻觉和假象
- 提供最新信息：访问当前最新数据，克服用静态数据集训练模型的局限
- 定制化：允许集成特定领域的知识和信息
- 精准：提供更可靠、更符合实际需要的应答
- 透明：提供引用来源，让答案具有可验证性和可信度
3.2 RAG 架构
常见的RAG架构有下列几种：
- Naive RAG：最原生、最基础的 RAG 架构
- Retrieve-and-rerank：在Naive RAG基础上增加了重排序模块
- Multimodal RAG：支持多模态数据（文本、图像、视频等）的检索与生成
- Graph RAG：基于图数据库的检索与生成
- Hybrid RAG：混合多种检索生成技术（如向量检索+关键词检索+图检索）的RAG
- Agentic RAG (Router)：通过智能路由器（基于LLM）动态分配至不同模块进行检索与生成
- Agentic RAG (Multi-Agent RAG)：多个智能体协同处理任务，整合生成结果的RAG
3.3 RAG的使用场景
RAG是一种增强大模型检索与生成能力的方法，可以说是一种弥补现阶段大模型能力不足的补救手段。一旦基础大模型的能力增强了，RAG就不见得还要用上。
那么，我们应该在什么时候使用RAG，什么时候不用RAG呢？
在使用大语言模型LLM构建应用程序时，主流的增强和调优手段包括：
- 提示词工程（Prompt engineering）
- 微调（Fine-tuning）
- RAG
- 混合使用（RAG+Fine-tuning）
如图所示，这里有两个关键的决策要素：
第一，你是否需要外部知识，比如你的私域知识、特定专业领域的经验等。
第二，你是否需要调优模型，比如改变模型的行为、词汇、写作风格等。
也就是说：
- 如果你有自己的知识库，你可以用RAG来增强模型的输出
- 你可以用微调（Fine-tuning）来改变模型的结构，这可以改变模型的输出表现
- 如果你既没有自定义知识库，也不想改变行为，用提示词工程就够了
- 如果你既要有自定义知识库，又要改变模型结构，可以使用混合方法（RAG + Fine-tuning）
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
2、大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
3、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
4、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
5、大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
适用人群
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
