假设你是一名企业合规产品经理，接到一份合规同事的请求：

我们公司是否符合 ISO-27001 第九条？请给一份答处与原文引用。

为了找到答案，我们需要理解标准条文、定位内部制度文档、比对内容差异，甚至进一步追问第三方系统中是否存在冲突证据。

这些能力，是一个完整的信息检索、信息整合以及总结输出的过程，那么，一个 LLM 应用，怎样才能处理这种合规级别的任务？

我们先看下这张图

可以在中使用LangChain框架中，使用RAG技术来创建一个Agent，扮演特定的角色专门解决用户的特定需求。

在此过程中，🧠 Agent 是思考者，🔧 LangChain 是协调者，📃 RAG 是资料员。

01

RAG：让模型“查得到”正确的信息

在任何大模型应用中，“知识不足”是第一堵墙。即便你的模型很强，但它本身未必知道企业自己的制度、合同、标准，也不具备最新行业法规。RAG（Retrieval-Augmented Generation）就是用来解决这个问题的。

🔍 它是干什么的？

RAG 的基本流程是：

用户提出问题 → 系统把问题做 embedding → 去向量数据库检索相关内容 → 拼接入 prompt → 让模型用这些内容来回答

比如，在上面合规小组的例子中，如果我们问“公司是否符合第九条”，RAG 会从知识库中找出《ISO-27001》的第九条文本 + 公司制度文档中对应段落 + 相关案例记录，再一起喂给大模型生成结果。

🧠 本质是什么？

你可以把它理解为给大模型装了一个“记忆扩展 U 盘”——它自己不记得资料，但能迅速找到别人写过的资料。

RAG 的重点在于信息“找得准”。但它不会判断信息结构、不会调度工具、不会分解任务，这就要引出下一层能力。

02

LangChain：让模型“有流程感”地干活

信息有了，接下来就是执行问题了。比如你可能会问：

RAG 检索完之后，要不要再用工具调用公司 CRM 系统？这几段文字要不要合并摘要？什么时候要问用户要更多细节？

这一切流程不是模型自己能决定的，而是要由开发者“写死”在代码里或框架里。而 LangChain 就是用来“管理这些步骤”的。

🔧 它是干什么的？

LangChain 是一个 LLM 应用的“流程编排框架”，可以让你把检索、生成、记忆、调用工具等环节用 Chain 模块组合起来。比如你可以：

• 步骤 1：调用 RAG 检索《ISO-27001》标准；
• 步骤 2：抽取出第九条条文；
• 步骤 3：调用内部制度文档对照系统；
• 步骤 4：返回比对结果并提示用户是否符合。

这些步骤通过 LangChain 的 Chain/Tool/Memory/PromptTemplate 等模块自由拼接，就像你在构建一个流程自动机。

🧱 本质是什么？

LangChain 的角色可以理解为把模型用“工作流”的方式组织起来，把“大模型系统从一只聪明的狗，变成一个流水线工人”。但它依然是被动执行，它不做规划，不自己思考“我该干啥”。

于是，我们进入了下一层智能体的能力。

03

Agent：让模型“像人一样自己决定怎么做”

如果我们再回到那个合规例子：

你给 Agent 一个问题：“我们是否符合第九条？”

Agent 系统会怎么做？它可能会：

• Step 1：理解这个问题的结构，知道要做“标准文本 + 公司制度 + 差异比对”；
• Step 2：为自己生成多个子任务；
• Step 3：自动调度多个 Retriever + 工具 + 模型回答；
• Step 4：拿到每一部分后总结，并决定是否继续查更多信息；
• Step 5：输出“合规性评估结果 + 引用内容 + 模型理由”。

🤖 它是怎么做到的？

Agent 架构本质上是一种自我迭代的任务调度框架，通常包含：

• Planner（规划器）：将用户问题拆解为任务树；
• Executor（执行器）：一个个去执行子任务；
• Memory（记忆体）：记住上下文结果，做多轮推理；
• Tool 调用接口：比如向量库查询、API 调用、PDF 解析等。

这类架构的代表包括 LangChain Agent、AutoGPT、OpenAgents、DeepSeek Agent 等。

🔄 它和前面两者的关系是？

• RAG 是 Agent 的“知识接口”，帮它查资料；
• LangChain 是 Agent 的“流程接口”，帮它串好逻辑链；
• 而 Agent 是最上层的主动控制器，它调度流程、理解任务、复用记忆，并主动判断“现在我该怎么做”。

04

三者如何组合使用？什么时候该用哪个？

回到我们的合规团队故事。我们用三者来打比方：

• RAG 是你的小组资料管理员，你问什么它都能从知识库里找资料，但它不判断内容、不参与决策；
• LangChain 是你的项目协调员，把各项任务排好顺序，告诉大家“先干什么后干什么”；
• Agent 就是你的高级分析师，理解任务目标，自主规划方案，调资料、调工具、写结论，甚至会回头改进方案。

你可以只用 RAG，就像只靠一个检索问答助手；也可以用 LangChain 做成一个复杂的流程引擎；而当你希望系统真正具备像人一样完成任务的能力，就需要一个可规划的 Agent。

RAG、LangChain 和 Agent，并不是横向可替代的“技术工具”，而是纵向递进的能力结构：理解这些能力的分层与协作方式，才能搭出真正“能干活”的 LLM 系统