我们来把这两个在大模型时代广泛使用的核心技术——RAG(Retrieval-Augmented Generation)与Fine-tuning(微调),彻底讲清楚。用最通俗的语言帮你掌握它们的底层原理、适用场景、优缺点与彼此的关系。你可以把它们理解为两种扩展大语言模型能力的“外挂”机制,只是工作方式不同。一、什么是 RAG(检索增强生成)?
这句话背后其实隐含了我们正在经历的一个范式转移:从传统代码驱动的软件系统,走向以语言驱动的智能系统。我将从三个层层递进的层面来解读这个观点,分别是:01|Prompt:机器语言的新形态,不再是 0 和 1,而是人类语言过去我们和机器对话的方式,是代码、命令、API。人必须“学会”机器语言。而在大模型诞生之后,机器开始“学会”人类语言。
MCP(Multi-turn Co-operative Protocol / 多轮协作协议),本质上就是任务型智能体的“内在运行机制”与“思维流程”。我们可以把它理解为一个智能体的中枢神经系统,它不具体完成任务的每一个动作,但它负责:记住任务是怎么一步步演进的;决定什么时候调用哪个模块或Agent;在复杂任务中维持整体流程的连贯性与正确性;处理任务中的反馈…
你是不是也曾幻想过这样一种场景:你在手机上输入一句话,“帮我抢张明天下午从杭州到广州的高铁票”,然后 AI 就像一个万能的助理一样,自动帮你查余票、登录12306、验证登录、抢票、付款、通知你——一气呵成,全程无需你操心?这其实就是 Agent 的理想形态。而支撑这一过程背后的一块关键技术,叫做 MCP 协议。但 MCP 到底是干啥的?
我觉得以上内容的核心意思就是有一个可以运行的环境,比如php或者python搭建一个运行环境,然后开放一个接口(ui界面)给用户,用户输入指令,然后php或者python接受指令,调用大模型(或者分析agent,其实这个agent背后调用的还是巨头大模型或者自建大模型),分析完了任务,形成任务规划子包,然后在运行环境里,对任务1比如是搜索xxx…