30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度最近在参与公司一个核心系统的智能化改造项目深刻体会到将大模型能力接入现有复杂业务体系并非易事。面对海量的私有文档、复杂的业务逻辑和多样化的外部工具单纯调用 API 远远不够。经过一系列技术选型和方案验证我们最终确定了以Agent智能体为核心RAG检索增强生成为知识底座MCP模型上下文协议为工具桥梁的改造路径。这套组合拳有效解决了大模型在企业级应用中的幻觉、知识滞后和工具调用三大核心痛点。本文将完整拆解这套企业级改造方案从核心概念、架构设计到实战落地手把手带你走通从零到一的全过程。无论你是正在探索 AI 落地的架构师还是希望提升现有系统智能水平的开发者都能从中获得可直接复用的思路和代码。1. 背景与核心概念为什么需要 Agent × RAG × MCP在深入技术细节之前我们必须先理解企业级 AI 应用面临的独特挑战以及这三个技术如何协同解决这些问题。企业级 AI 应用的三大挑战知识私有性与时效性大模型的通用知识无法覆盖企业内部的技术文档、产品手册、会议纪要和代码库。同时业务知识也在不断更新。业务流程复杂性企业任务往往不是单一问答而是包含多步骤决策、条件判断和外部系统交互的复杂流程。工具与系统集成AI 需要能够安全、可控地调用内部的 API、数据库、分析工具乃至运维脚本而不能仅停留在文本生成。核心概念拆解RAG (Retrieval-Augmented Generation检索增强生成)是什么一种将外部知识库与大模型结合的技术范式。它先根据用户问题从知识库中检索最相关的文档片段再将问题和这些片段一起交给大模型生成答案。解决什么问题直接解决了大模型的“幻觉”和知识过时问题。答案来源于企业内部的权威文档保证了准确性和时效性。关键组件文档加载器、文本分割器、向量数据库、检索器、重排序器。Agent (智能体)是什么一个具备自主规划、工具调用和决策能力的 AI 程序。它接收用户目标通过思考Reasoning拆解步骤并选择合适工具执行最终达成目标。解决什么问题让 AI 能够处理复杂的、多步骤的任务而不仅仅是单轮对话。例如自动分析周报数据、生成图表并发送邮件。核心能力规划Planning、工具使用Tool Use、记忆Memory。MCP (Model Context Protocol模型上下文协议)是什么由 Anthropic 提出的一种开放协议用于标准化 AI 应用如 Claude Desktop与外部工具、数据源称为 MCP Server之间的通信。解决什么问题提供了安全、统一的方式来扩展大模型的能力边界。开发者可以轻松地将任何内部系统数据库、API、命令行工具封装成 MCP Server供 Agent 通过标准接口调用无需为每个模型或框架重复开发集成。核心思想将工具和能力“注入”到模型的上下文中让模型像使用内置功能一样使用它们。三者关系与协同价值可以这样理解Agent 是“大脑”负责思考和决策RAG 是“记忆库”或“知识手册”为大脑提供准确、具体的背景信息MCP 是“手和脚”让大脑能够操作外部工具和系统。三者结合才能构建出一个既能深度理解企业知识又能灵活执行复杂任务的“数字员工”。2. 环境准备与版本说明我们将以一个“智能技术支持助手”为案例演示如何构建一个能回答内部技术问题、并能执行简单运维查询如检查服务器状态的 AI 应用。技术栈与版本编程语言Python 3.9AI 框架/库langchainlangchain-community: 0.1.0 (用于构建 Agent 和 RAG 链)langchain-openai: 0.0.5 (用于接入 OpenAI/兼容 API 的模型)chromadb: 0.4.22 (轻量级向量数据库)sentence-transformers: 2.2.2 (用于生成文本嵌入)MCP 相关mcp: 1.0.0 (Python 的 MCP 客户端库用于创建 MCP Server)claude-api或直接使用anthropicSDK (用于与 Claude 模型交互演示 MCP 客户端)其他工具fastapiuvicorn: 用于构建简单的演示 API。dockerdocker-compose(可选)用于容器化部署。项目结构预览smart-support-agent/ ├── docs/ # 存放企业内部知识文档 │ ├── api_guide.md │ ├── troubleshooting.md │ └── deployment.md ├── src/ │ ├── mcp_servers/ # MCP 服务器实现 │ │ ├── system_info_server.py │ │ └── __init__.py │ ├── rag/ # RAG 核心模块 │ │ ├── vector_store.py │ │ ├── retriever.py │ │ └── __init__.py │ ├── agent/ # Agent 核心模块 │ │ ├── core.py │ │ └── __init__.py │ └── main.py # 主应用入口 ├── requirements.txt ├── docker-compose.yml └── README.md3. 核心模块拆解与原理3.1 RAG 模块构建企业知识库RAG 的核心流程是文档加载 → 文本分割 → 向量化 → 存储 → 检索 → 增强生成。1. 文档加载与处理我们使用 LangChain 的文档加载器。假设知识文档是 Markdown 格式。# src/rag/vector_store.py from langchain_community.document_loaders import DirectoryLoader, TextLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.vectorstores import Chroma import os class KnowledgeVectorStore: def __init__(self, docs_path: str, persist_directory: str ./chroma_db): self.docs_path docs_path self.persist_directory persist_directory # 使用开源嵌入模型避免调用 API self.embeddings HuggingFaceEmbeddings( model_nameall-MiniLM-L6-v2 # 轻量且效果不错的句子嵌入模型 ) self.text_splitter RecursiveCharacterTextSplitter( chunk_size500, # 每个文本块的大小 chunk_overlap50, # 块之间的重叠保持上下文 separators[\n\n, \n, 。, , , , , , ] ) def create_and_persist_vectorstore(self): 加载文档分割创建向量库并持久化 # 加载所有 .md 文件 loader DirectoryLoader(self.docs_path, glob**/*.md, loader_clsTextLoader) documents loader.load() print(f已加载 {len(documents)} 个文档) # 分割文本 splits self.text_splitter.split_documents(documents) print(f分割为 {len(splits)} 个文本块) # 创建向量存储并持久化 vectorstore Chroma.from_documents( documentssplits, embeddingself.embeddings, persist_directoryself.persist_directory ) vectorstore.persist() print(f向量库已创建并保存至 {self.persist_directory}) return vectorstore def get_retriever(self, search_typesimilarity, k4): 获取检索器可配置检索方式和返回数量 vectorstore Chroma( persist_directoryself.persist_directory, embedding_functionself.embeddings ) # 可以切换为 search_typemmr 进行最大边际相关性检索兼顾相关性和多样性 retriever vectorstore.as_retriever( search_typesearch_type, search_kwargs{k: k} ) return retriever关键点解析chunk_size和chunk_overlap是 RAG 效果的关键参数需要根据文档特点调整。技术文档可能适合稍大的 chunk如 800-1000。使用本地嵌入模型all-MiniLM-L6-v2避免了网络调用和费用适合企业内部部署。对于更高要求可以考虑bge-large-zh-v1.5等中文模型。persist_directory使得向量库可以离线保存无需每次启动都重新生成。2. 检索与重排序进阶简单相似度检索可能返回相关但不一定最精准的片段。引入重排序Re-ranking可以大幅提升精度。# src/rag/retriever.py from langchain.retrievers import ContextualCompressionRetriever from langchain.retrievers.document_compressors import CrossEncoderReranker from langchain_community.cross_encoders import CrossEncoder class EnhancedRetriever: def __init__(self, base_retriever): self.base_retriever base_retriever # 使用 Cross-Encoder 模型进行重排序它比双塔式编码器更精准但更慢 self.cross_encoder CrossEncoder(cross-encoder/ms-marco-MiniLM-L-6-v2) def get_compression_retriever(self, top_n3): 创建带重排序的检索器 compressor CrossEncoderReranker( modelself.cross_encoder, top_ntop_n # 重排序后保留前 top_n 个结果 ) compression_retriever ContextualCompressionRetriever( base_compressorcompressor, base_retrieverself.base_retriever ) return compression_retriever重排序模型会对检索出的所有候选片段与问题进行深度交互式打分重新排序确保最相关的片段排在最前显著改善最终生成答案的质量。3.2 MCP 模块安全连接外部工具MCP 的核心是 Server提供工具和 Client使用工具。我们创建一个简单的系统信息查询 MCP Server。1. 创建 MCP Server# src/mcp_servers/system_info_server.py import psutil from mcp.server import Server, NotificationOptions from mcp.server.models import InitializationOptions import mcp.server.stdio import asyncio from typing import Any # 创建 Server 实例 server Server(system-info-server) server.list_tools() async def handle_list_tools() - list[dict[str, Any]]: 向客户端声明本 Server 提供的工具列表 return [ { name: get_cpu_usage, description: 获取当前系统的 CPU 使用率百分比。, inputSchema: { type: object, properties: {}, # 此工具无需输入参数 required: [] } }, { name: get_memory_info, description: 获取当前系统的内存使用情况。, inputSchema: { type: object, properties: { unit: { type: string, description: 返回值的单位可选 GB 或 MB默认为 GB。, enum: [GB, MB] } }, required: [] } } ] server.call_tool() async def handle_call_tool(name: str, arguments: dict | None) - list[dict[str, Any]]: 处理客户端的工具调用请求 if name get_cpu_usage: usage psutil.cpu_percent(interval1) return [{ type: text, text: f当前 CPU 使用率为: {usage}% }] elif name get_memory_info: unit arguments.get(unit, GB) if arguments else GB mem psutil.virtual_memory() total mem.total / (1024**3) if unit GB else mem.total / (1024**2) used mem.used / (1024**3) if unit GB else mem.used / (1024**2) percent mem.percent return [{ type: text, text: f内存信息 - 总量: {total:.2f}{unit}, 已用: {used:.2f}{unit}, 使用率: {percent}% }] else: raise ValueError(f未知工具: {name}) async def main(): 运行 MCP Server通过 stdio 通信 async with mcp.server.stdio.stdio_server() as (read_stream, write_stream): await server.run( read_stream, write_stream, InitializationOptions( server_namesystem-info, server_version0.1.0, capabilitiesserver.get_capabilities( notification_optionsNotificationOptions(), experimental_capabilities{}, ), ), ) if __name__ __main__: asyncio.run(main())这个 Server 提供了两个工具get_cpu_usage和get_memory_info。它通过标准输入输出stdio与 MCP Client如 Claude Desktop、我们自建的 Agent通信。2. MCP 的价值通过标准化协议任何支持 MCP 的 AI 应用都能立即使用这个 Server 提供的工具无需为每个应用单独开发集成代码。这极大地提升了工具能力的复用性和可维护性。3.3 Agent 模块组装大脑与决策引擎我们将使用 LangChain 的 ReAct 框架来构建 Agent它结合了推理Reasoning和行动Acting。# src/agent/core.py from langchain.agents import AgentExecutor, create_react_agent from langchain_core.prompts import PromptTemplate from langchain_core.tools import Tool from langchain_openai import ChatOpenAI # 假设我们有一个封装了 MCP 工具调用的适配器 from src.mcp_servers.mcp_client_adapter import MCPToolAdapter from src.rag.retriever import EnhancedRetriever, KnowledgeVectorStore class SupportAgent: def __init__(self, openai_api_key: str, base_url: str None, model: str gpt-3.5-turbo): # 1. 初始化 LLM self.llm ChatOpenAI( openai_api_keyopenai_api_key, base_urlbase_url, # 可用于接入 OpenAI 兼容 API如国内大模型平台 modelmodel, temperature0.1 # 低温度保证回答稳定 ) # 2. 初始化 RAG 检索器作为知识工具 knowledge_store KnowledgeVectorStore(docs_path./docs) base_retriever knowledge_store.get_retriever() self.enhanced_retriever EnhancedRetriever(base_retriever).get_compression_retriever(top_n3) # 3. 定义工具集 self.tools [ Tool( nameKnowledge_Base_Search, funcself._search_knowledge_base, description在内部技术知识库中搜索与问题相关的文档。当用户询问关于API使用、错误排查、部署流程等内部技术问题时必须优先使用此工具。输入应为完整的问题或关键词。 ), # MCP 工具适配器示例 Tool( nameCheck_System_Health, funcMCPToolAdapter.call_tool(get_cpu_usage), # 适配器调用 MCP 工具 description检查服务器的 CPU 使用率。当用户询问系统负载、服务器状态时使用。 ), Tool( nameGet_Memory_Info, funcMCPToolAdapter.call_tool(get_memory_info), description获取服务器的内存使用情况。输入可以指定单位如 {unit: GB}。 ) ] # 4. 创建 ReAct Agent 提示词 self.prompt PromptTemplate.from_template( 你是一个专业的技术支持助手拥有内部知识库查询和系统监控工具。 请严格按照以下步骤思考和工作 当前任务: {input} 你拥有以下工具 {tools} 使用工具时必须严格按照以下格式 Thought: 我需要思考当前应该做什么 Action: 工具名称 Action Input: 工具的输入必须是有效的 JSON 字符串 当工具返回结果后你会看到 Observation: 工具返回的结果 然后你继续 Thought: 根据观察结果我需要... ...重复思考/行动/观察的循环直到任务完成 当你认为已经获得足够信息来最终回答用户时使用 Thought: 我现在可以回答用户了 Final Answer: [你的最终回答应清晰、准确并引用知识库或工具结果作为依据] 开始 Thought: {agent_scratchpad} ) # 5. 创建 Agent 和执行器 agent create_react_agent(llmself.llm, toolsself.tools, promptself.prompt) self.agent_executor AgentExecutor( agentagent, toolsself.tools, verboseTrue, # 输出详细的思考过程便于调试 handle_parsing_errorsTrue, # 优雅处理解析错误 max_iterations5 # 防止无限循环 ) def _search_knowledge_base(self, query: str) - str: RAG 检索函数 docs self.enhanced_retriever.get_relevant_documents(query) if not docs: return 在知识库中未找到相关信息。 # 将检索到的文档内容拼接作为上下文 context \n\n---\n\n.join([doc.page_content for doc in docs]) return f从知识库中检索到以下相关信息\n{context} def run(self, query: str) - str: 执行用户查询 try: result self.agent_executor.invoke({input: query}) return result.get(output, 未生成有效回答。) except Exception as e: return fAgent 执行过程中出现错误: {str(e)}Agent 工作流解析接收输入用户提出问题。思考ThoughtAgent由 LLM 驱动分析问题决定下一步是使用工具还是直接回答。行动Action如果决定使用工具则选择最合适的工具并生成调用参数。观察Observation获取工具返回的结果如知识库片段、CPU 使用率。循环基于观察结果再次思考可能继续使用其他工具或综合所有信息。最终回答Final Answer当 Agent 认为信息足够时生成最终答案并结束循环。max_iterations参数至关重要防止 Agent 陷入无限思考循环。verboseTrue在开发阶段非常有用可以观察 Agent 的完整推理链。4. 完整实战案例构建智能技术支持助手现在我们将上述模块整合创建一个完整的、可运行的应用。4.1 项目初始化与依赖安装创建requirements.txtlangchain0.1.0 langchain-community0.0.10 langchain-openai0.0.5 chromadb0.4.22 sentence-transformers2.2.2 fastapi0.104.1 uvicorn[standard]0.24.0 psutil5.9.6 mcp1.0.0 anthropic0.18.0 # 如需连接 Claude openai1.6.1 # 如需使用 OpenAI 官方 API安装依赖pip install -r requirements.txt4.2 准备知识库文档在docs/目录下放置一些 Markdown 格式的技术文档例如api_guide.md# 用户服务 API 指南 ## 获取用户信息 **端点**: GET /api/v1/users/{userId} **认证**: 需要 Bearer Token。 **参数**: - userId (路径参数): 用户唯一ID。 **响应**: json { id: 123, name: 张三, email: zhangsanexample.com, status: active }常见错误码:404: 用户不存在。401: 认证失败。### 4.3 创建 MCP 工具适配器 为了让 LangChain Agent 能调用 MCP Server 的工具我们需要一个适配器。 python # src/mcp_servers/mcp_client_adapter.py import subprocess import json import asyncio from typing import Any, Dict class MCPToolAdapter: 一个简化的适配器通过子进程调用 MCP Server 并通信 staticmethod def _run_mcp_tool(server_script_path: str, tool_name: str, arguments: Dict None) - str: 通过 stdio 与 MCP Server 交互简化演示。 实际生产环境应使用稳定的 MCP 客户端库建立长连接。 # 注意这是一个高度简化的示例。真实场景需要实现完整的 MCP 客户端协议。 # 这里我们假设 MCP Server 提供了一个简单的命令行接口来模拟。 try: # 构造请求模拟 MCP 协议 request { method: tools/call, params: { name: tool_name, arguments: arguments or {} } } # 在实际中这里应是通过 stdio 或 socket 与 server 进程通信 # 为演示我们直接调用一个假设的本地脚本 result subprocess.run( [python, server_script_path, --tool, tool_name, --args, json.dumps(arguments or {})], capture_outputTrue, textTrue, timeout10 ) if result.returncode 0: return result.stdout.strip() else: return f工具调用失败: {result.stderr} except Exception as e: return f适配器通信错误: {str(e)} classmethod def call_tool(cls, tool_name: str): 返回一个可以被 LangChain Tool 使用的函数 def tool_function(**kwargs): # 这里 server_path 应配置化 server_path ./src/mcp_servers/system_info_server.py return cls._run_mcp_tool(server_path, tool_name, kwargs) return tool_function4.4 编写主应用与 API 接口创建一个 FastAPI 应用作为服务入口。# src/main.py from fastapi import FastAPI, HTTPException from pydantic import BaseModel from src.agent.core import SupportAgent import os from dotenv import load_dotenv load_dotenv() # 从 .env 文件加载环境变量 app FastAPI(title智能技术支持助手 API) # 初始化 Agent单例避免重复加载向量库 _agent_instance None def get_agent(): global _agent_instance if _agent_instance is None: api_key os.getenv(OPENAI_API_KEY) base_url os.getenv(OPENAI_API_BASE, None) # 可配置用于接入其他兼容 API model os.getenv(MODEL_NAME, gpt-3.5-turbo) if not api_key: raise ValueError(请设置 OPENAI_API_KEY 环境变量) _agent_instance SupportAgent(openai_api_keyapi_key, base_urlbase_url, modelmodel) print(Agent 初始化完成。) return _agent_instance class QueryRequest(BaseModel): question: str conversation_id: str | None None # 可用于支持多轮对话会话 class QueryResponse(BaseModel): answer: str sources: list[str] | None None # 未来可扩展返回引用的知识源 app.post(/query, response_modelQueryResponse) async def query_knowledge_base(request: QueryRequest): 向智能助手提问。 try: agent get_agent() answer agent.run(request.question) return QueryResponse(answeranswer) except Exception as e: raise HTTPException(status_code500, detailf处理查询时出错: {str(e)}) app.on_event(startup) async def startup_event(): 服务启动时预加载知识库可选 # 可以在这里初始化向量库避免第一次查询延迟 print(服务启动中...) # get_agent() # 触发初始化 if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)4.5 运行与验证启动 MCP Server在一个终端python src/mcp_servers/system_info_server.py注意上述简化版 Server 可能需要调整才能以独立进程运行。生产环境建议使用官方 MCP SDK 规范实现。启动 FastAPI 服务在另一个终端export OPENAI_API_KEYyour-api-key # 如果使用国内兼容 API # export OPENAI_API_BASEhttps://api.xxx.com/v1 uvicorn src.main:app --reload --port 8000发送查询请求 使用curl或 Postman 测试。curl -X POST http://localhost:8000/query \ -H Content-Type: application/json \ -d {question: 如何调用获取用户信息的API如果服务器CPU负载高怎么办}预期行为 Agent 会首先识别出这是两个子问题。对于第一个问题它会调用Knowledge_Base_Search工具从docs/api_guide.md中检索相关信息。对于第二个问题它会调用Check_System_Health工具通过 MCP 适配器获取当前 CPU 使用率。最后它将综合两部分信息生成一个连贯的回答 “关于获取用户信息的API请查阅……引用知识库。关于服务器CPU负载当前监测到的使用率是 X%如果持续过高建议……”5. 常见问题与排查思路在企业级落地过程中你会遇到各种问题。以下是一些典型问题及解决方案。问题现象可能原因排查思路与解决方案RAG 检索结果不相关1. 文本分割策略不当chunk 太大或太小。2. 嵌入模型不适合领域文本。3. 检索器配置如k值不合适。1.调整分割尝试不同的chunk_size和chunk_overlap观察召回效果。2.更换嵌入模型对于中文技术文档尝试BAAI/bge-large-zh-v1.5。3.启用重排序使用CrossEncoderReranker对初检结果进行精排。4.优化元数据在分割时保留文件名、标题等元数据检索时结合元数据过滤。Agent 陷入循环或执行错误工具1. 工具描述不清晰。2. LLM 温度temperature过高导致决策不稳定。3. 提示词Prompt对思维链的约束不够。1.精炼工具描述确保描述清晰说明工具的用途、输入格式和适用场景。2.降低温度将temperature设为 0.1 或更低增加确定性。3.强化提示词在 Prompt 中明确要求“逐步思考”并设定max_iterations限制。4.加入示例在 Prompt 中提供一两个完整的Thought/Action/Observation示例。MCP 工具调用失败或超时1. MCP Server 进程未启动或崩溃。2. 通信协议不一致或版本不兼容。3. 网络或权限问题。1.检查进程状态确保 MCP Server 持续运行并监控其日志。2.验证协议使用mcpCLI 工具测试 Server 是否正常响应list_tools。3.实现重试与降级在适配器中加入重试机制并设置超时失败时返回友好错误信息。整体响应速度慢1. 嵌入模型推理慢首次加载或每轮检索。2. LLM API 调用延迟高。3. 向量数据库检索慢数据量大。1.缓存嵌入向量向量库持久化后避免每次启动重新计算。2.异步处理将 LLM 调用、工具调用改为异步避免阻塞。3.优化检索对向量数据库建立索引如 HNSW并限制返回数量k。4.考虑流式响应对于长答案采用流式输出提升用户体验。答案出现幻觉或与知识库矛盾1. 检索到的上下文不足或噪声大。2. LLM 未能遵循“仅基于上下文回答”的指令。3. 上下文长度超过模型限制被截断。1.改进检索质量这是根本参考第一条“检索结果不相关”的解决方案。2.强化 Prompt 指令在系统提示中明确强调“如果知识库中没有相关信息请直接说不知道不要编造”。3.使用引用要求模型在回答中引用来源片段便于人工复核。6. 最佳实践与工程建议将原型推进到生产环境需要关注以下工程化细节1. 知识库管理与更新版本化将知识文档纳入 Git 管理任何更改都有记录。增量更新实现向量库的增量更新机制避免全量重建。监听文档目录变化触发特定文件的重新嵌入和索引更新。质量审核建立文档上传和更新的审核流程确保知识源头的准确性。2. Agent 提示工程与评估系统提示模板化将系统提示角色、约束、流程抽离为模板便于针对不同场景如客服、运维、研发快速调整。构建评估集准备一批覆盖核心场景的测试问题并标注标准答案或关键点。每次模型或知识库更新后运行自动化评估监控效果变化。A/B 测试对于重要的提示词或工具组合进行线上 A/B 测试用真实用户反馈数据驱动优化。3. MCP 工具的安全与治理权限控制每个 MCP Server 应定义清晰的权限边界。例如查询日志的 Server 和重启服务的 Server 必须隔离。通过 API 密钥、网络策略等手段控制访问。输入验证与沙箱在 MCP Server 内部对所有输入参数进行严格的验证和清理。对于执行命令或代码的工具考虑在沙箱环境中运行。审计日志记录所有的工具调用包括调用者、参数、结果和时间戳用于安全审计和问题追溯。4. 可观测性与监控链路追踪为每个用户请求生成唯一 ID并在 RAG 检索、LLM 调用、工具调用等各个环节传递便于串联日志定位延迟或错误点。关键指标监控业务指标问答准确率、用户满意度、问题解决率。性能指标端到端响应延迟、LLM Token 消耗、工具调用成功率。系统指标向量数据库内存/CPU 使用率、Agent 迭代次数分布。大模型成本监控密切监控不同模型、不同接口的调用量和费用设置预算告警。5. 架构演进方向多智能体协作对于超复杂任务可以设计多个 specialized Agent如“检索专家”、“分析专家”、“执行专家”通过一个“协调员”Agent 进行任务分解和调度。动态工具发现实现一个 MCP Server 的注册中心让 Agent 能够动态发现和调用新上线的工具实现能力的“热插拔”。长程记忆与个性化为每个用户或会话引入记忆机制将历史对话摘要存储到向量库或数据库中使 Agent 能记住上下文提供个性化服务。这套Agent × RAG × MCP的方案为我们处理企业复杂场景提供了坚实的框架。它不是一个银弹而是一个高度模块化、可扩展的蓝图。你可以从最简单的 RAG 问答开始逐步引入工具调用最终构建出能够自主处理复杂工作流的智能系统。关键在于持续迭代从核心场景切入收集反馈优化提示、工具和知识库让 AI 真正成为业务增长的助推器。 30款热门AI模型一站整合DeepSeek/GLM/Claude 随心用限时 5 折。 点击领海量免费额度