基于声明式API的Web自动化：acepe项目实战与架构解析
2026/5/2 23:05:50
LLM → RAG → Agent：AI 系统的三层能力结构，从模型能力 → 到知识增强 → 再到自动执行系统
一、三层架构总览
┌─────────────────────────────────────────────────────────────┐ │ 第3层 │ Agent │ 行动系统 │ 让 AI 开始"做事" │ │ │ │ │ 自主执行任务 → 调用工具 → 自动完成工作 │ ├─────────────────────────────────────────────────────────────┤ │ 第2层 │ RAG │ 知识库 │ 给 AI 接入外部知识 │ │ │ │ │ 接入企业知识 → 减少幻觉 │ ├─────────────────────────────────────────────────────────────┤ │ 第1层 │ LLM │ 大脑 │ AI 的大脑 │ │ │ │ │ 通用智能能力 → 语言理解与生成 │ └─────────────────────────────────────────────────────────────┘一句话总结：LLM 是大脑，RAG 是知识库，Agent 是行动系统
二、逐层详解
第1层：LLM —— AI 的大脑
核心定位：通用智能能力 → 语言理解与生成
能力矩阵：
| 能力 | 说明 |
|---|---|
| 📝 文本理解 | 理解自然语言的含义、情感、意图 |
| ✍️ 内容生成 | 生成文章、报告、邮件等各类文本 |
| 🌐 语言翻译 | 跨语言转换，保持语义准确 |
| 💬 智能问答 | 基于知识回答问题 |
| 💻 代码生成 | 编写、解释、调试代码 |
训练数据来源：
- 🌐 网页文本
- 📚 书籍文献
<>代码仓库- 💬 对话数据
- 🎨 多模态数据
本质特征：
大模型通过海量数据训练，具备通用语言理解与生成能力。
LLM = 基础能力，但不具备实时知识与行动能力
第2层：RAG —— 给 AI 接入外部知识
核心定位：接入企业知识 → 减少幻觉
完整流程：
数据准备 Embedding 向量化 相似度检索 LLM 推理 (文档/PDF/数据库) → (知识库/Wiki/业务文档) → (文本→向量表示) → (向量数据库) → (问题向量化) → (TopK 相关知识) → (Prompt 拼接) → (Query + Context) → (最终回答) Milvus, Pinecone, WeaviateRAG 解决 LLM 的三大问题：
| 问题 | 表现 | RAG 解决方案 |
|---|---|---|
| 🔴 知识过时 | 模型训练数据有截止日期，不知道最新事件 | 实时检索最新文档 |
| 🔴 业务知识缺失 | 不了解企业内部专有知识 | 接入企业知识库 |
| 🔴 幻觉问题 | 编造不存在的信息 | 基于检索到的真实内容回答 |
技术本质：
- Embedding 向量化：将文本转换为高维向量，实现语义级别的相似度计算
- 向量数据库：Milvus、Pinecone、Weaviate 等专用数据库，存储和检索向量
- Prompt 拼接：将检索到的相关知识与用户问题拼接，作为上下文输入 LLM
第3层：Agent —— 让 AI 开始"做事"
核心定位：自主执行任务 → 调用工具 → 自动完成工作
智能体公式：
智能体 = LLM + 记忆 + 工具 + 规划Agent 的四大核心组件
| 组件 | 子能力 | 说明 |
|---|---|---|
| 🧠记忆系统 | 短期记忆 / 长期记忆 / 向量记忆 | 保存对话历史、事实知识、语义检索 |
| 🛠️工具调用 | 搜索 / 计算器 / 代码执行 / API | 连接外部世界，执行具体操作 |
| 📋规划能力 | 任务拆解 / 子目标规划 / 步骤执行 | 将复杂任务分解为可执行的步骤 |
| 🔍反思能力 | 自我评估 / 错误修复 / 结果优化 | 执行中发现问题并自我修正 |
Agent 执行流程
用户目标 → 任务拆解 → 工具调用 → 结果反馈 → 自我反思 → 循环执行 → 任务完成Agent 工具生态
| 工具能力 | 示例 |
|---|---|
| 🔍 搜索 | 联网检索信息 |
| 🗄️ 数据库 | 查询结构化数据 |
| 🌐 浏览器 | 网页浏览与操作 |
| 💻 代码解释器 | 执行 Python/SQL 等代码 |
| 🔗 第三方 API | 调用外部服务接口 |
Agent 协作系统（Multi-Agent）
┌─────────────────────────────────────────┐ │ Multi-Agent 多智能体 │ ├─────────────────────────────────────────┤ │ 👤 Planner Agent │ 规划者：制定任务计划 │ │ 👤 Worker Agent │ 执行者：完成具体任务 │ │ 👤 Tool Agent │ 工具专家：调用工具 │ │ 👤 Memory Agent │ 记忆员：管理信息存储 │ └─────────────────────────────────────────┘三、三层关系深度解析
层次依赖关系
┌─────────────┐ │ Agent │ ← 最上层：依赖 LLM 和 RAG │ (行动层) │ 需要大脑思考 + 知识支撑 └──────┬──────┘ │ 调用 ┌────────────┼────────────┐ │ │ │ ┌─────▼─────┐ ┌────▼────┐ ┌────▼────┐ │ 记忆 │ │ 工具 │ │ 规划 │ └───────────┘ └─────────┘ └─────────┘ │ │ └────────────┼────────────┘ │ 依赖 ┌──────▼──────┐ │ RAG │ ← 中间层：为 LLM 提供外部知识 │ (知识层) │ 解决知识过时、幻觉问题 └──────┬──────┘ │ 增强 ┌──────▼──────┐ │ LLM │ ← 最底层：基础能力层 │ (能力层) │ 提供语言理解与生成 └─────────────┘类比理解
| 层级 | 类比 | 关系说明 |
|---|---|---|
| LLM | 🧠 大脑 | 像人类大脑，有基础思考能力，但孤陋寡闻（知识截止）、手无缚鸡之力（不能行动） |
| RAG | 📚 图书馆 + 搜索引擎 | 给大脑装上"外接硬盘"和"实时资讯"，想查什么随时检索，不再靠死记硬背 |
| Agent | 🤖 机器人身体 + 神经系统 | 给大脑装上"手脚"和"反射弧"，能自主规划、调用工具、执行动作、反馈修正 |
能力递进关系
LLM 单独使用： 用户提问 → LLM 推理 → 回答（可能过时/幻觉/无法操作外部系统） LLM + RAG： 用户提问 → 检索知识库 → 拼接上下文 → LLM 推理 → 基于事实的回答（减少幻觉） LLM + RAG + Agent： 用户目标 → Agent 规划 → 调用工具/检索知识 → LLM 推理 → 执行动作 → 结果反馈 → 自我反思 → 循环优化 → 自动完成任务（完整闭环）四、架构演进逻辑
阶段一：纯 LLM ┌─────────┐ │ LLM │ ← 只能聊天、写作、简单问答 └─────────┘ 阶段二：LLM + RAG ┌─────────┐ ┌─────────┐ │ LLM │ ←── │ 知识库 │ ← 能基于私有知识回答 └─────────┘ └─────────┘ 阶段三：LLM + RAG + Agent（完整架构） ┌─────────┐ ┌─────────┐ ┌─────────┐ │ LLM │ ←── │ 知识库 │ ←── │ Agent │ ← 能自主完成复杂任务 └─────────┘ └─────────┘ └─────────┘ │ ┌────┴────┐ │ 工具生态 │ └─────────┘五、核心要点总结
| 维度 | LLM | RAG | Agent |
|---|---|---|---|
| 定位 | 大脑 | 知识库 | 行动系统 |
| 解决什么问题 | 语言理解与生成 | 知识过时、幻觉 | 无法行动、复杂任务 |
| 核心能力 | 推理、生成 | 检索、增强 | 规划、执行、反思 |
| 依赖关系 | 基础层 | 依赖 LLM | 依赖 LLM + RAG |
| 技术关键词 | Transformer、预训练 | Embedding、向量数据库 | ReAct、CoT、工具调用 |
| 使用场景 | 聊天、写作、翻译 | 企业知识问答、客服 | 自动化办公、数据分析 |
六、一句话记住三层架构
"LLM 是大脑，能思考但不会查资料也不能动手；RAG 是知识库，给大脑装上实时资料和百科全书；Agent 是行动系统，给大脑装上手脚和规划能力，让它能自主完成复杂任务。三者结合，才是完整的 AI 应用架构。"