RAG vs Agent 架构对比
并排对比 RAG 与 AI Agent 架构——检索管道 vs 自主推理循环。
使用此模板模板亮点
- RAG 侧：线性检索 → 向量库 → LLM → 答案
- Agent 侧：含记忆、工具和行动的推理循环
- 从工具回到 Agent 的反馈箭头标出关键差异
这个模板适合做什么
RAG 和 AI Agent 用相互重叠的技术解决不同的问题。本对比图把两种架构并排展开：左侧是 RAG 管道——用户问题被向量化，检索器从向量库取出相关片段，LLM 据此生成有依据的答案；右侧是 AI Agent——LLM 推理问题、查阅记忆、选择工具、执行行动，并带着观察循环回去。RAG 是只读且一次性的；Agent 是多步且能对世界采取行动的。适合用于在二者间做选择、整理混合系统的文档，或在写代码之前向干系人解释区别。
适用场景
- 判断你的用例需要 RAG、Agent 还是两者结合。
- 向干系人解释为什么 Agent 不是 RAG 的即插即用升级。
- 整理「Agent 把 RAG 作为其工具之一」的混合系统文档。
- 规划从 RAG 原型迁移到 Agentic 版本的路径。
- 通过指向 Agent 侧的额外循环迭代，对比成本和延迟特征。
- 展示检索在哪里结束、推理和行动从哪里开始。
使用步骤
- 1并排绘制两个 frame——一个 RAG，一个 Agent。
- 2在 RAG 侧画线性流程：用户 → 检索器 → 向量库 → LLM → 答案。
- 3在 Agent 侧画循环：用户 → Agent → 记忆 + 工具 → 行动。
- 4画出从工具回到 Agent 的反馈箭头——这是关键差异。
- 5把 RAG 流程标注为一次性，把 Agent 流程标注为迭代。
- 6添加权衡说明：RAG 更便宜可预期；Agent 更灵活但更难调试。
简单示例
RAG vs Agent 决策
RAG：问题 → 检索 → 生成 → 答案（1 次 LLM 调用）
Agent：问题 → 推理 → 工具 → 观察 → 重复（N 次调用）
什么时候用 RAG：答案能在文档中找到
什么时候用 Agent：任务需要多个步骤或行动
什么时候两者并用：Agent 需要把 RAG 作为工具之一
在线开始编辑
在 CodePic 中打开模板后，替换示例节点，就能很快整理成自己的学习导图。
