rag与ai agent的区别

这个其实也像是在rag的基础上再进了一步。因为我们知道rag其实是给了大模型一个浏览器工具来使用嘛，那agent，其实就是给了大模型更多的工具。比如像是长期记忆，其实就是给了大模型一个数据库工具让其往里记录重要信息。规划和行动，其实就是在大模型的prompt层做的些逻辑，比如让其将目标进行每一步的拆解，拆解完成后，每一步去输出不同的固定格式action指令，给到工具作为输入。当然langchain或者说agent还不止这些，也会有很多其他的代码逻辑体现在其中，不过其主要的主干逻辑，其实还是在prompt层和工具层，完成的设计。说实话我对于Agent产品我还是比较看好的，当然这不仅因为我曾经落地过实际的Agent产品，实在也是因为我认为这代表了我们可以在流程中给到大模型使用工具的能力，这其实就给了大模型应用更广阔的空间。比如我可以大模型帮我把差旅安排一下，大模型首先会判断一下为完成该目标，拆解需要有哪几个步骤要做（planning能力），然后搜索近期我oa工具中的差旅记录（memory能力），然后在飞猪上帮我预订酒店和机票（tools/action能力），最终完成任务。

RPA：机器人流程自动化，是使用软件机器人或AI来自动化重复的、基于规则的业务流程。RAG：检索增强生成（Retrieval Augmented Generation），通过在生成响应之前从知识源检索相关信息来增强LLM的能力，适合需要查询数据库、文档或其他结构化/非结构化数据存储库的应用程序。ERP：用于管理和整合公司的财务、供应链、运营、报告、制造以及人力资源活动的软件系统。AI Ops：面向开发者的，构建和部署AI应用所需的基础结构和工具

第二种知识类型是外置知识，它由外部数据库提供，与内置知识相比，其特点是能够进行动态更新和调整。当我们深入探讨外置知识时，通常会涉及到多种数据存储和组织方式，包括向量数据库、关系型数据库，以及知识图谱。这些数据库和图谱构成了智能体的知识库，它们可以是：向量数据库：优化了向量检索操作，常用于处理和索引非结构化数据，如图像和文本。关系型数据库：通过表格形式存储结构化数据，支持复杂的查询，适用于事务性数据存储。知识图谱：以图的形式组织数据，强调实体之间的关系，适合于复杂的语义分析和知识推理。在实际应用中，外置知识的集成和管理常常采用RAG（Retrieval-Augmented Generation）架构。RAG架构是一种结合了检索（Retrieval）和生成（Generation）的模型，它通过检索外部知识源来增强模型的生成能力。这种架构允许智能体在生成响应或执行任务时，不仅依赖于内置知识，还能够实时地检索和整合最新的外部信息。