摘要:大多数开发者认为构建 AI 系统的核心在于选择模型,但真正的挑战在于理解何时让 AI “获取知识”(RAG),何时让 AI “执行操作”(MCP)。本文将深入剖析这两者的区别、互补性以及混合架构的未来。
大多数开发者在搭 AI 系统时,第一反应是挑模型——选 GPT、选 Claude、还是用本地部署的开源模型。这个选择当然重要,但它不是那个"先想清楚再动手"的问题。
真正应该先回答的是:你的 AI 到底需要获取知识,还是需要执行操作?
这两件事对应的技术路线完全不同。前者是 RAG(检索增强生成),后者是 MCP(模型上下文协议)。它们不是二选一的关系,而是两套各有专长的工具。搞清楚什么时候用哪一套——或者什么时候该同时用——才是决定一个 AI 系统能不能用的关键。
RAG:让 AI "读懂"你的数据
RAG 要解决的是一个很具体的问题:大模型的训练数据有截止日期,而且不包含你企业的私有信息。
它的核心思路很简单——把用户的查询先投到一个检索系统里,拿到相关的文档片段再喂给 LLM,让它基于这些片段生成回答。
流程大致如下:
用户查询 -> 向量数据库(匹配相关片段)-> LLM(结合上下文生成答案)-> 最终回复
这解决的是"LLM 不知道我的私有数据"的问题。它让 AI 看起来像是在"拥有知识"——实际上是给你塞参考资料,让它照本宣科。
RAG 擅长处理的内容:文档、PDF、企业知识库里的结构化或非结构化文本。它的典型应用场景包括企业内部问答、法律合规搜索、客户支持自动化等。
性能方面有两个值得注意的特点。速度快(通常在百毫秒级别),因为检索是在预处理的向量数据库里做的,不需要等 LLM 慢慢生成。查询成本低——单次 token 消耗相对较小。
但 RAG 有个根本限制:它是只读的。它可以检索、摘要、解释已有内容,但不能更新数据库、触发工作流、或者执行任何实际的操作。如果你希望 AI "去做"一件事而不是"说"一件事,光靠 RAG 不够。
MCP:让 AI "动手"改变世界
MCP 解决的是另一个问题:LLM 与现实系统之间有一道墙——它能看到信息但无法改变任何东西。
通过标准化的接口,MCP 让大模型能够调用 API、操作数据库、驱动工作流。它的核心思路是让 AI 拥有"手脚"。
工作流程跟 RAG 不同:用户查询 -> LLM Agent 做规划(把目标拆解成可执行的步骤)-> 调用工具/API/外部系统 -> 执行结果返回 -> LLM 基于执行结果做决策和反馈。
MCP 的典型能力包括:
- • 实时交互:直接连接 CRM、数据库、支付网关等外部系统
- • 多步推理与执行:根据上一步的执行结果动态决定下一步行动
- • 典型场景:更新客户记录、创建工单、触发支付流程、自动化数据管道
性能上的特点跟 RAG 恰好相反:速度偏慢,因为涉及实时 API 调用和…