1. Agent 是什么#

Agent 是能理解目标、规划步骤、调用工具并完成任务的 AI 系统，不只是聊天机器人。

Agent = LLM（大脑）+ Prompt（规则）+ Tools/MCP（手脚）+ RAG（记忆）

• LLM：负责理解、推理、决策和生成答案。
• Prompt：规定角色、边界、流程和输出格式。
• Tools / Function Calling / MCP：让模型能够查询接口、计算或操作外部系统。
• RAG / 向量数据库：为模型补充私有、历史和实时知识。

SubAgent 是主 Agent 分配任务的“专业助手”；Skills 是可复用的工作说明书。

2. RAG 的工作原理#

RAG（检索增强生成）的核心是“先查资料，再回答”：

1. 文档被切分并转换成向量（Embedding）。
2. 用户问题也被转换成向量。
3. 向量数据库按语义相似度找出相关片段。
4. 将“问题 + 检索片段”交给 LLM 生成答案。

向量距离越近，语义通常越相似。因此，即使用户与文档用词不同，也能找到相关内容。

3. 把 RAG 当作一种工具#

RAG 不需要每次都执行。Agent 应先判断问题类型，再决定是否调用知识库：

• 询问公司制度、内部事实、手册流程：调用 RAG。
• 闲聊、通用常识：直接由 LLM 回答。
• 查询实时数据或执行操作：调用外部 API / Tools。

典型闭环：

1
用户问题
2
  -> 意图识别
3
  -> 将口语改写成检索关键词
4
  -> 调用知识库
5
  -> 组合“检索片段 + 原问题”
6
  -> 基于证据生成答案

工具定义应写清用途、调用条件和参数；查询参数尽量必填，避免空查询；检索结果应放入明确的上下文区域。

4. 防止幻觉#

幻觉是指资料中没有答案时，模型根据训练经验“猜”出一个看似合理的结果。企业系统中，错误答案会带来决策、合规和信任风险。

可采用三重防线：

1. 边界锁定：要求只能依据提供的上下文回答，禁止用外部知识补全。
2. 允许沉默：明确“不知道”或“未找到”是正确答案。
3. 反例示范：提供“资料不足时如何拒答”的正反案例。

推荐的核心约束：

1
仅依据检索内容回答。
2
如果检索内容没有答案，明确回复“未找到相关信息”，不要猜测或编造。

5. 意图识别与路由#

一个实用的 Agent 通常有三条处理路径：

路由成功的关键是：先把口语转成准确意图和检索词，再严格区分“执行动作”和“查询资料”。最终答案必须能追溯到工具结果或检索片段。

6. 常用概念速记#

一句话总结：可靠的 Agent 不只依赖模型能力，更依赖清晰的指令、正确的工具路由、可信的知识来源和严格的拒答边界。