从 LLM、RAG、Agent 到 MCP补齐的不是四个热点而是理解、依据、行动与连接。灵感来源Divy Yadav 对 AI 技术栈的视觉梳理虎小象重新研究与中文写作过去两年AI 给人的感觉像是突然跨过了一道门。最早它只是一个对话框你问它答。后来它开始查资料、记住公司的知识、执行代码、调用日历甚至能把一串工作拆开自己决定下一步做什么。很多人把这种变化简单归因于“模型又变聪明了”。但更准确的解释是模型之外系统架构开始一层层补齐。来源Towards AI · Divy Yadav2026-05-07图 01原文提出了一个重要视角现代 AI 的跃迁不只来自更大的模型也来自模型外部架构的变化。LLM、RAG、Agent、MCP 经常被放在同一张“技术趋势图”里于是很容易被误解成四代互相替代的新产品。其实它们更像四层能力前一层解决不了的问题逼出了后一层。01 · LANGUAGE会说话是第一层LLM 最擅长的是理解语言、归纳上下文、生成文字和代码。它让计算机第一次拥有了足够自然的语言接口。但一个只靠模型参数回答的系统仍然有三个现实边界它不知道你公司的私有资料训练之后发生的新信息可能不在它的知识里它也不能因为“知道怎么做”就自动完成真实操作。图 02语言能力解决“怎么表达”却不会自动打开私有资料、实时信息与真实行动这三扇门。所以当你让一个普通聊天模型“根据昨天的销售表给客户发一封跟进邮件”它可能写得很好却未必看过那张表也没有真正发出邮件。会说是智能的入口知道依据、完成行动才是系统能力。02 · MEMORYRAG 先把依据找回来RAG 的中文常译为“检索增强生成”。它不是给模型重新训练一遍也不是往模型里永久塞进一座知识库而是在回答之前先去外部资料里找出与问题最相关的内容再把这些内容连同问题一起交给模型。2020 年的 RAG 原始论文把它描述为参数化记忆与非参数化记忆的结合模型保留语言生成能力外部索引负责提供可以更新、可以检查的资料依据。来源Lewis 等《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》图 03RAG 原始论文关心的核心问题之一是模型知识难以更新、难以追溯检索让外部资料重新进入回答现场。它的基本动作很朴素提问 → 检索 → 补充上下文 → 生成。图 04RAG 的价值不在“记得更多”而在回答前先找到相关资料并让输出有可追溯的落脚点。当然RAG 也不是事实保险。找错文档、切分失真、排序不准模型仍会带着错误依据说得很像真的。因此RAG 新增的不只是能力也新增了检索质量、引用准确性和权限控制等工程问题。03 · ACTIONAgent 把回答变成循环如果任务只需要一次回答LLM 或 RAG 往往已经够用。但真实工作通常不是一步先查资料再判断再调用工具观察结果不对就调整计划。Agent 的关键不是“把提示词写得更长”而是让模型进入一个可以反复运行的工作循环感知当前状态决定下一步调用工具读取结果再继续。来源OpenAI Agents SDK 官方文档图 05OpenAI Agents SDK 把 Agent、工具、交接与护栏列为核心原语。重点不只是生成而是让模型在规则内完成多步任务。于是“帮我研究三家竞品并生成报告”不再只是一次长回答。系统可以先搜索再筛选来源读取网页整理差异检查遗漏最后输出文件。但行动越多风险也越大。Agent 需要权限边界、审批节点、失败重试、运行记录和结果验证。能自动执行不等于应该无人看管。04 · CONNECTIONMCP 解决重复接线当每个 AI 应用都要连接文件、数据库、搜索、日历和代码工具时真正麻烦的不是“有没有工具”而是每个客户端都要重新写一套连接方式。MCP 不是更高级的 Agent也不是一个替代模型。它是一套开放标准用统一方式把 AI 应用连接到外部数据、工具和工作流。官方文档把它类比为 AI 应用的 USB-C 接口。来源Model Context Protocol 官方文档2026-07-28 版本图 06MCP 解决的是标准连接问题同一个外部能力可以被不同 AI 客户端用一致方式发现和调用。这件事的价值不在“又多了一个缩写”而在复用工具提供者不必为每个 AI 产品重复适配AI 应用也不必为每个工具重新理解一套私有接口。同时标准连接也把安全问题放到台前谁能访问什么数据、哪些操作必须授权、工具返回的内容是否可信都不能交给一句提示词解决。05 · SYSTEM四层合起来才像一个系统现在再把四个概念放回一条工作流•LLM负责理解意图、推理与生成。•RAG在需要时找回外部知识与证据。•Agent决定步骤、调用工具并根据结果继续。•MCP让工具与数据用标准方式接入和复用。图 07它们不是四个互相替代的产品而是模型、记忆、行动与连接四层能力项目只需要补上当前缺失的一层。这也解释了为什么有些 AI 产品看起来“模型相同体验却完全不同”。差距可能不在模型而在它是否拿到了正确资料是否能稳定调用工具是否有清楚的流程和验证机制。真正的 AI 产品竞争正在从“谁的模型会说”转向“谁能把模型组织成可靠的系统”。06 · CHOICE不要堆缩写只补缺口理解这条演化路线之后最实用的问题不是“我该学哪个最热门”而是我的项目现在缺的是什么图 08先判断能力缺口一般生成用 LLM需要私有依据加 RAG需要多步执行加 Agent需要跨工具复用再考虑 MCP。一个简单的判断顺序是只是写作、总结、翻译、通用问答先用LLM。必须依据公司文档、最新资料或可引用来源加入RAG。任务需要搜索、计算、调用工具并根据结果继续加入Agent。多个 AI 客户端要复用同一批工具和数据再用MCP统一连接。并不是层数越多越先进。每增加一层都会增加延迟、成本、权限和故障点。优秀的系统不是把所有概念堆满而是用最少的结构可靠地完成真实任务。AI 不是突然会做事的。它只是终于不再只有一张会说话的嘴而是逐渐拥有了资料、步骤、工具与连接世界的接口。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026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。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】 从 LLM、RAG、Agent 到 MCP
从 LLM、RAG、Agent 到 MCP补齐的不是四个热点而是理解、依据、行动与连接。灵感来源Divy Yadav 对 AI 技术栈的视觉梳理虎小象重新研究与中文写作过去两年AI 给人的感觉像是突然跨过了一道门。最早它只是一个对话框你问它答。后来它开始查资料、记住公司的知识、执行代码、调用日历甚至能把一串工作拆开自己决定下一步做什么。很多人把这种变化简单归因于“模型又变聪明了”。但更准确的解释是模型之外系统架构开始一层层补齐。来源Towards AI · Divy Yadav2026-05-07图 01原文提出了一个重要视角现代 AI 的跃迁不只来自更大的模型也来自模型外部架构的变化。LLM、RAG、Agent、MCP 经常被放在同一张“技术趋势图”里于是很容易被误解成四代互相替代的新产品。其实它们更像四层能力前一层解决不了的问题逼出了后一层。01 · LANGUAGE会说话是第一层LLM 最擅长的是理解语言、归纳上下文、生成文字和代码。它让计算机第一次拥有了足够自然的语言接口。但一个只靠模型参数回答的系统仍然有三个现实边界它不知道你公司的私有资料训练之后发生的新信息可能不在它的知识里它也不能因为“知道怎么做”就自动完成真实操作。图 02语言能力解决“怎么表达”却不会自动打开私有资料、实时信息与真实行动这三扇门。所以当你让一个普通聊天模型“根据昨天的销售表给客户发一封跟进邮件”它可能写得很好却未必看过那张表也没有真正发出邮件。会说是智能的入口知道依据、完成行动才是系统能力。02 · MEMORYRAG 先把依据找回来RAG 的中文常译为“检索增强生成”。它不是给模型重新训练一遍也不是往模型里永久塞进一座知识库而是在回答之前先去外部资料里找出与问题最相关的内容再把这些内容连同问题一起交给模型。2020 年的 RAG 原始论文把它描述为参数化记忆与非参数化记忆的结合模型保留语言生成能力外部索引负责提供可以更新、可以检查的资料依据。来源Lewis 等《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》图 03RAG 原始论文关心的核心问题之一是模型知识难以更新、难以追溯检索让外部资料重新进入回答现场。它的基本动作很朴素提问 → 检索 → 补充上下文 → 生成。图 04RAG 的价值不在“记得更多”而在回答前先找到相关资料并让输出有可追溯的落脚点。当然RAG 也不是事实保险。找错文档、切分失真、排序不准模型仍会带着错误依据说得很像真的。因此RAG 新增的不只是能力也新增了检索质量、引用准确性和权限控制等工程问题。03 · ACTIONAgent 把回答变成循环如果任务只需要一次回答LLM 或 RAG 往往已经够用。但真实工作通常不是一步先查资料再判断再调用工具观察结果不对就调整计划。Agent 的关键不是“把提示词写得更长”而是让模型进入一个可以反复运行的工作循环感知当前状态决定下一步调用工具读取结果再继续。来源OpenAI Agents SDK 官方文档图 05OpenAI Agents SDK 把 Agent、工具、交接与护栏列为核心原语。重点不只是生成而是让模型在规则内完成多步任务。于是“帮我研究三家竞品并生成报告”不再只是一次长回答。系统可以先搜索再筛选来源读取网页整理差异检查遗漏最后输出文件。但行动越多风险也越大。Agent 需要权限边界、审批节点、失败重试、运行记录和结果验证。能自动执行不等于应该无人看管。04 · CONNECTIONMCP 解决重复接线当每个 AI 应用都要连接文件、数据库、搜索、日历和代码工具时真正麻烦的不是“有没有工具”而是每个客户端都要重新写一套连接方式。MCP 不是更高级的 Agent也不是一个替代模型。它是一套开放标准用统一方式把 AI 应用连接到外部数据、工具和工作流。官方文档把它类比为 AI 应用的 USB-C 接口。来源Model Context Protocol 官方文档2026-07-28 版本图 06MCP 解决的是标准连接问题同一个外部能力可以被不同 AI 客户端用一致方式发现和调用。这件事的价值不在“又多了一个缩写”而在复用工具提供者不必为每个 AI 产品重复适配AI 应用也不必为每个工具重新理解一套私有接口。同时标准连接也把安全问题放到台前谁能访问什么数据、哪些操作必须授权、工具返回的内容是否可信都不能交给一句提示词解决。05 · SYSTEM四层合起来才像一个系统现在再把四个概念放回一条工作流•LLM负责理解意图、推理与生成。•RAG在需要时找回外部知识与证据。•Agent决定步骤、调用工具并根据结果继续。•MCP让工具与数据用标准方式接入和复用。图 07它们不是四个互相替代的产品而是模型、记忆、行动与连接四层能力项目只需要补上当前缺失的一层。这也解释了为什么有些 AI 产品看起来“模型相同体验却完全不同”。差距可能不在模型而在它是否拿到了正确资料是否能稳定调用工具是否有清楚的流程和验证机制。真正的 AI 产品竞争正在从“谁的模型会说”转向“谁能把模型组织成可靠的系统”。06 · CHOICE不要堆缩写只补缺口理解这条演化路线之后最实用的问题不是“我该学哪个最热门”而是我的项目现在缺的是什么图 08先判断能力缺口一般生成用 LLM需要私有依据加 RAG需要多步执行加 Agent需要跨工具复用再考虑 MCP。一个简单的判断顺序是只是写作、总结、翻译、通用问答先用LLM。必须依据公司文档、最新资料或可引用来源加入RAG。任务需要搜索、计算、调用工具并根据结果继续加入Agent。多个 AI 客户端要复用同一批工具和数据再用MCP统一连接。并不是层数越多越先进。每增加一层都会增加延迟、成本、权限和故障点。优秀的系统不是把所有概念堆满而是用最少的结构可靠地完成真实任务。AI 不是突然会做事的。它只是终于不再只有一张会说话的嘴而是逐渐拥有了资料、步骤、工具与连接世界的接口。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026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。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段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…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】