RAG 与 MCP:每位 AI 开发人员真正需要了解的知识

 

检索知识与执行实时操作之间的本质区别,以及为什么大多数 AI 应用两者都需要

你可能已经用过某个 LLM 构建过一些东西,并经历过那样一个时刻:事情突然就……不再按你预期的方式运作了。

这个模型看起来很聪明。它推理能力很强,能写出干净的代码,也能毫不费力地拆解复杂概念。但随后现实出现了——它完全不知道上周二发生了什么。它无法访问你的内部文档。它不知道客户的订单状态,也不知道你数据库此刻的数据内容。

这不是能力问题,而是上下文问题。

为了解决这个问题,出现了两种方法:RAG 和 MCP。而大多数人对它们的解释方式,会让你以为它们是竞争关系——其实并不是。它们解决的是完全不同的问题。不过在此之前,我们先真正理解一下它们各自是做什么的。

我在多个项目中都使用过这两种模式,而我反复看到的困惑,并不在于技术本身,而是在于什么时候该使用哪一种。读完这篇文章之后,这一点应该会变得清晰。

RAG 实际上是什么(以及它不是什么)

RAG 代表 Retrieval-Augmented Generation(检索增强生成)。去掉这些术语,本质上是这样的:不再仅仅依赖模型训练时学到的内容,而是在查询时,从你自己的文档中提取相关内容,并将其作为上下文提供给模型。

可以把它理解为:给 AI 提供了一个组织良好、并配有高效搜索引擎的图书馆。

当用户提出问题时,系统并不会依靠“记忆”去猜测答案。它会先搜索你的文档库,提取最相关的内容片段,然后将这些内容与问题一起输入到提示(prompt)中。模型随后基于这些刚刚检索到的上下文进行回答,而不是依赖已经过时的训练权重。

来源

其工作流程实际上是怎样的

底层大致发生了以下这些步骤:

  1. 1. 你首先将文档导入系统,这些文档可以是 PDF、内部 Wiki、支持手册、合规政策、产品规格说明,或者任何基于文本的内容。
  2. 2. 这些文档会被拆分成多个片段(chunks)。分块的大小比大多数教程所强调的更为重要。
  3. 3. 每个片段会通过嵌入模型(embedding model)转换为向量表示,并存储在向量数据库中(例如 Pinecone、Weaviate、pgvector、ChromaDB,任选其一)。
  4. 4. 当用户发起查询时,这个查询也会被转换为向量,然后系统执行相似度搜索,找到最匹配的片段。
  5. 5. 这些最相关的前 k 个片段会与原始问题一起发送给 LLM。
  6. 6. LLM 基于这些检索到的上下文生成回答。

就是这样。概念上看似简单,但在实际中要做好却相当复杂。分块大小、重叠策略、嵌入模型选择、检索策略、重排序(reranking)——这里有很多需要调优的参数。

RAG 真正发挥作用的场景

RAG 适用于以下场景:基于产品文档的客服机器人、面向 HR 或法务团队的内部知识助手、针对代码库或 API 文档的技术问答、政策查询工具,以及学术与研究参考系统。

只要你有一批文本内容,需要让用户用自然语言进行查询,RAG 就是一个合适的选择。

RAG 做不到的事情

这里说点实话:RAG 只对你已经存储的内容有效。它不会实时获取新信息。它无法更新记录、触发工作流,也不能告诉你当前的股票价格。而且如果你的文档最近没有重新索引,得到的答案可能是过时的。

RAG 为 AI 提供的是长期记忆。但仅有记忆,并不意味着能够执行操作。

MCP究竟是什么?

MCP 代表 Model Context Protocol(模型上下文协议)。这是一种较新的模式,说实话,这个名字本身并没有很好地说明它的作用。所以这里用更直白的方式来解释:

MCP 是一种标准化的方法,使 AI 模型能够连接到实时系统,并在运行时使用这些系统。

如果说 RAG 是一个图书馆,那么 MCP 更像是一部智能手机。模型可以查询实时数据、调用 API、更新记录、发送消息、触发工作流。它可以“做事情”,而不仅仅是“回忆事情”。

MCP 的工作原理

  1. 1. 你需要定义 AI 可以访问的工具。这些工具可以是内部 API、数据库、CRM 系统、外部服务——任何具有接口的系统都可以。
  2. 2. 你需要设置权限:模型在每个工具上被允许执行什么操作,以及不被允许执行什么操作。
  3. 3. 当用户提出问题时,LLM 会进行推理,判断应该调用哪个工具,然后发起调用,获取结果,并基于这些最新数据构建响应。
  4. 4. 这些操作可以串联起来。例如:检查库存 → 确认订单 → 通知发货团队 → 记录到 CRM。一次用户请求,可以触发多次系统调用。

关键区别在于:MCP 并不是用来检索已存储内容的,而是在问题被提出的那一刻,与实时系统进行交互。

来源

MCP 适用的场景

实时订单跟踪。在向客户报价前进…

— 以上为试看内容(约 40%),开通会员后阅读全文 —