企业官网建设流程全解析

1. 引言

大模型已经渗透到日常开发、办公和产品设计中，但很多人仍然在问：
给模型写一段提示词就算 AI 应用了吗？给我挂个知识库就是 RAG 了吗？Agent 又是什么高阶玩法？

这篇文章的目标是把Prompt（提示工程）、RAG（检索增强生成）和Agent（智能体）这三种最常见的 LLM 使用范式说清楚，并帮你在实际场景下做出合适的选择。

2. Prompt：万能的“咒语”

2.1 是什么

Prompt 就是给大模型的自然语言指令，也是三者中最基础的上层范式。你几乎不需要改模型，也不用加外部工具，只需要设计好一句话或一段话，就能让模型完成翻译、总结、分类、角色扮演等任务。

常见形式包括：

• 零样本提示：“把下面这句话翻译成英文”
• 少样本提示（Few-shot）：提供几个例子，让模型照着生成
• 思维链（Chain-of-Thought）：“请一步步推理，最后给出答案”
• 角色设定：“你是一名资深 Java 架构师，请 review 下面这段代码”

2.2 什么时候用

• 任务相对封闭、知识稳定：翻译、摘要、代码补全、格式转换
• 不需要引入外部实时信息
• 希望快速验证、零开发成本

但如果模型的知识截止日期已经过期，或者需要访问企业内部文档，光靠 Prompt 是不够的。

3. RAG：给模型外挂“记忆”

3.1 核心思想

RAG（Retrieval-Augmented Generation）在 Prompt 的基础上，增加一个检索环节：先从外部知识库（文档、数据库、网页）中找到与用户问题最相关的片段，再把这些片段作为上下文塞进 Prompt，一起发给大模型生成答案。

工作流程一般是：

1. 用户提问
2. 向量化问题，去向量数据库召回 Top-K 相关文档块
3. 拼接上下文 + 用户问题，组装 Prompt
4. LLM 生成回答

3.2 典型应用

• 企业知识库问答（内部制度、产品手册）
• 基于最新论文的学术助手
• 客服机器人（结合工单历史）

以企业知识库为例，核心检索召回代码如下：

importopenaiimportnumpyasnpfrommy_vector_dbimportVectorDB# 1. 初始化向量数据库db=VectorDB(index_path="./kb_index.faiss")# 2. 问题向量化question="员工年假天数如何计算？"embedding=openai.Embedding.create(input=question,model="text-embedding-3-small")["data"][0]["embedding"]# 3. 相似性检索：召回 top-3 相关文档块retrieved_chunks=db.search(query_vector=np.array(embedding),top_k=3)# 4. 拼接上下文context="\n\n".join([chunk.textforchunkinretrieved_chunks])prompt=f"""请根据以下参考资料回答用户问题。 参考资料：{context}用户问题：{question}"""# 5. 将拼接好的 prompt 发送给 LLM 生成最终回答response=openai.ChatCompletion.create(model="gpt-4",messages=[{"role":"user","content":prompt}])print(response["choices"][0]["message"]["content"])

核心步骤：向量化问题 → 检索 top-k → 拼接上下文 → 组装 Prompt → LLM 生成，这正是 RAG 将外部知识“喂”给大模型的典型方式。
RAG 的优势是能实时引入新知识，无需重训或微调模型，而且答案可溯源到引用来源。代价是需要维护文档切片、向量数据库和检索流水线。

4. Agent：会“动手”的智能体

4.1 不只对话，还能执行

Agent 是目前最高阶的玩法——模型不但能理解问题，还可以自主规划步骤、调用外部工具、观察执行结果并迭代，直到完成任务。

一个典型的 Agent 循环（ReAct 模式）：

4.2 工具能力

Agent 可以调用的工具包括但不限于：

• 搜索引擎（Google / Bing API）
• 代码解释器（Python、Shell）
• 数据库查询（SQL）
• 内部 API（发邮件、创建工单）

4.3 适合场景

• 开放式复杂任务：“帮我查一下上周的销售数据，画成柱状图并发给张三”
• 需要多步推理与外部系统交互
• 自动化流程（例如自动代码修复、自动运维）

但注意事项：Agent 的自主性也带来风险——权限控制、错误放大、成本（多次 LLM 调用）和管理复杂度都比前两者高很多。

5. 三者对比

6. 怎么选：一张决策图

下面这张流程图可以帮你快速判断当前场景该用哪种方案：

• 如果你的应用只是做一个“更好的上下文”让模型回答得更准，选RAG。
• 如果你希望模型能主动查资料、调用 API、控制流程，直接上Agent。
• 大部分时候，好的Prompt 工程才是性价比最高的方案，不要一上来就盲目堆技术栈。

7. 总结

• Prompt是地基，适用于大部分文本任务，快速、可控。
• RAG解决了知识新鲜度和私有性的问题，让模型“有据可循”。
• Agent赋予模型行动力，适合复杂自动化，但需要更审慎的工程把控。

三者不是互斥的关系，实际项目中经常会组合使用：
例如一个客服系统可能用 Agent 总揽流程，在需要查询政策时走 RAG 检索，并将最终回复格式通过 Prompt 约束。

最后记住一句话：能靠 Prompt 解决的不要上 RAG，能靠 RAG 满足的不要折腾 Agent。