編者按： 當前 AI 系統(tǒng)建設中的一大痛點是：盲目追求先進技術而忽視業(yè)務實際需求，導致系統(tǒng)過度復雜、成本高昂、可靠性差。許多團隊在 Agent 熱潮中迷失方向，不知道何時該用簡單的 LLM，何時需要 RAG，什么場景下才真正需要智能體。

文章通過簡歷篩選這一典型應用場景，系統(tǒng)闡述了 AI 系統(tǒng)發(fā)展的四個核心階段：從最基礎的純 LLM 架構，到增強檢索能力的 RAG 系統(tǒng)，再到具備工具調(diào)用能力的 AI 工作流，最終發(fā)展為具有自主決策能力的 AI Agent。作者特別強調(diào)，每個架構層級都有其適用場景和技術邊界 —— 簡單的分類任務可能只需要基礎的提示詞工程，而復雜的端到端業(yè)務流程才需要 Agent 的自主規(guī)劃能力。我們在追求功能豐富性的同時，必須優(yōu)先考慮系統(tǒng)的可靠性和穩(wěn)定性。

作者 | codelink

編譯 | 岳揚

AI Agent 是當前的一個熱門話題，但并非所有 AI 系統(tǒng)都需要采用這種架構。

雖然 Agent 具有自主決策能力，但更簡單、更具成本效益的解決方案往往更適合實際業(yè)務場景。關鍵在于根據(jù)具體需求選擇恰當?shù)募軜嫹桨浮?/p>

本文將探討大語言模型（LLMs）的最新進展，并解析 AI 系統(tǒng)的核心設計理念。

我們實踐過從不包含示例的提示詞技術（zero-shot prompting）到思維鏈推理，從基于 RAG 的架構到復雜工作流及 autonomous agents 等不同復雜度的 LLM 項目。

這個新興領域的術語體系仍在演進，不同概念之間的邊界尚未界定，分類標準仍不固定。隨著該領域的發(fā)展，新的框架和工程實踐不斷涌現(xiàn)，推動構建更可靠的 AI 系統(tǒng)。

為直觀展示不同系統(tǒng)的差異，我們將通過簡歷篩選這個典型案例，揭示不同架構層級在能力和系統(tǒng)復雜度上的非線性躍升。

01 純 LLM 架構

純 LLM 本質上是互聯(lián)網(wǎng)信息的有損壓縮包，是從其訓練數(shù)據(jù)中提取的知識快照。 它尤其擅長處理依賴其參數(shù)化知識（即訓練階段內(nèi)化的信息）的任務，典型場景包括：總結小說內(nèi)容、撰寫關于全球變暖的論述、用 5 歲兒童能理解的語言解釋狹義相對論、或者創(chuàng)作俳句（譯者注：日本有一種特定格式的詩歌，叫做“俳（pái）句”，在形式上堪稱世界文學中最短的格律詩。）。

但若沒有額外的功能擴展，LLM 無法提供實時信息（例如紐約的當前氣溫）。這正是純 LLM 與 ChatGPT 等對話式應用的區(qū)別 —— 后者通過實時搜索和其他工具增強了核心 LLM 的能力。

不過，并非所有功能增強都需要外部上下文。通過提示詞工程（如上下文學習、小樣本學習等技術），LLM 無需檢索外部信息也能處理特定問題。

應用示例：

只需采用使用單個示例的提示詞技術（one-shot prompting）結合上下文學習，就能讓 LLM 根據(jù)職位描述對簡歷進行「通過/不通過」的二分類判斷。

02 RAG（檢索增強生成）

檢索方法通過提供相關上下文來增強 LLM 的能力，使其輸出更具時效性、精確性和實用性。 借助這一技術，可以讓 LLM 訪問并處理內(nèi)部數(shù)據(jù)。這些上下文信息使 LLM 能夠提取信息、生成摘要并生成響應。RAG 還能通過實時數(shù)據(jù)檢索獲取最新信息。

應用示例：

在簡歷篩選場景中，通過檢索公司的內(nèi)部數(shù)據(jù)（如工程操作手冊、招聘政策及歷史簡歷資料）來豐富上下文信息，從而做出更準確的分類判斷。

檢索過程通常需要借助向量化工具、向量數(shù)據(jù)庫和語義搜索等技術實現(xiàn)。

03 工具調(diào)用（Tool Use）與 AI 工作流（AI Workflow）

LLM 能夠通過定義明確的路徑實現(xiàn)業(yè)務流程自動化，這類系統(tǒng)最適合處理結構清晰、標準統(tǒng)一的任務。

通過使用工具調(diào)用（Tool use）可以實現(xiàn)工作流自動化。通過對接各類 API（包括計算器、日歷、郵件服務或搜索引擎等），LLM 可以利用可靠的外部工具，而非依賴其存在非確定性的原生能力。

應用示例：

這個 AI 工作流可以連接招聘門戶獲取簡歷和職位描述 → 根據(jù)經(jīng)驗、學歷和技能評估投遞簡歷者的資質 → 發(fā)送相應的郵件回復（拒信或面試邀請）。

要實現(xiàn)這個簡歷篩選工作流，LLM 需要訪問數(shù)據(jù)庫、郵件 API 和日歷 API，并按照預設步驟以編程方式實現(xiàn)全流程自動化。

04 AI Agent

AI Agent 是具備自主推理能力和決策能力的系統(tǒng)。 它們能夠：將任務分解為多個步驟、根據(jù)需要調(diào)用外部工具、評估執(zhí)行結果、并自主決定后續(xù)動作（存儲執(zhí)行結果/請求人工干預/繼續(xù)執(zhí)行下一步）。

這代表著在工具調(diào)用和 AI 工作流之上的又一層抽象，實現(xiàn)了規(guī)劃和決策的自動化。

與 AI 工作流需要明確的用戶觸發(fā)器（如按鈕點擊）且必須遵循預設路徑不同，AI Agent 可以自主啟動工作流，并動態(tài)決定各環(huán)節(jié)的執(zhí)行順序和組合方式。

應用示例：

AI Agent 可以管理完整的招聘流程，包括：解析簡歷、通過聊天或郵件協(xié)調(diào)面試時間、安排面試會議、以及處理日程變更等。

這項綜合性任務要求 LLM 具備以下訪問權限：數(shù)據(jù)庫、郵件和日歷 API，以及聊天和通知系統(tǒng)。

05 核心要點

1）并非所有系統(tǒng)都需要 AI Agent

應從簡單、可組合的模式入手，按需逐步增加復雜度。某些場景僅需檢索功能即可滿足需求。 以簡歷篩選為例，當篩選標準和后續(xù)操作明確時，基礎工作流就能勝任。僅當需要更大的自主性以減少人工干預時，才應考慮采用 Agent 方案。

2）注重可靠性而非豐富的功能

LLM 的非確定性特質使得構建可靠系統(tǒng)頗具挑戰(zhàn)。雖然快速驗證概念（proofs of concept）可行，但將其擴展到生產(chǎn)環(huán)境時往往暴露各種問題。 建議從沙盒環(huán)境起步，實施統(tǒng)一的測試方法，并通過防護機制確保系統(tǒng)可靠性。

END

本期互動內(nèi)容 ??

? 您認為 AI Agent 的自主決策權應該設限嗎？舉例說明邊界。（例如：向用戶發(fā)送拒信是否需要人工復核？）

本文經(jīng)原作者授權，由 Baihai IDP 編譯。如需轉載譯文，請聯(lián)系獲取授權。

原文鏈接：

??https://www.codelink.io/blog/post/ai-system-development-llm-rag-ai-workflow-agent??