前言

前阵子刷到一篇图解AI三大核心技术：RAG、大模型、智能体的文章，但是原图都是都是英文的，很多人看不懂。粉丝还把文章还转发给了我，所以我就硬着头皮用 AI 辅助翻译，并加了一些自己的理解，用中文给大家再普及一下AI三大核心技术：RAG、大模型、智能体的区别。（本文比较长，大家可以先收藏，后续遇到的时候再看）

大模型中的Transformer与混合专家（MoE）

原图

**

我用中文生成了差异点，做不到原图的效果，将就着看一下区别：

左侧 - Transformer架构：

• 输入经过位置编码(Positional embedding)
• 通过多个解码器块(Decoder block)处理
• 每个解码器块包含：层归一化(Layer norm)、掩码自注意力(Masked self-attention)、前馈网络(Feed forward network)
• 所有参数在处理每个token时都被激活使用

右侧 - Mixture of Experts架构：

• 同样的输入和位置编码
• 解码器块结构类似，但前馈网络被替换为专家混合系统
• 包含路由器(Router)来选择激活哪些专家
• 只有部分专家(selected experts)被激活处理特定输入
• 这样可以扩大模型容量而不成比例增加计算成本 这种架构设计让MoE模型能够在保持相对较低计算成本的同时，拥有更大的参数规模和更强的表达能力。

5种大模型微调技术

原图

翻译后的图

🚗 把大模型想象成一辆豪华汽车：

• LoRA - 像给车加装小配件（导航、音响）

原装引擎不动，只加小部件，成本低，效果好

• LoRA-FA - 像只换轮胎不换轮毂

比LoRA更省钱，只调一半部件，效果稍微差一点但够用

• VeRA - 像只调音响的音量旋钮

共用的喇叭设备，只调几个按钮，最省钱的方法

• Delta-LoRA - 分步骤渐进式改装

今天换个零件，明天再换个零件，循序渐进，更稳定

• LoRA+ - 智能调速改装

不同零件用不同的安装速度，训练更快，效果更好

传统RAG和智能体RAG

原图

翻译后的图

简单来说，传统RAG和智能体RAG的区别就像：

🔍 传统RAG（像图书管理员）：

你问问题 → AI去数据库找相关信息 → 基于找到的内容回答 流程固定，一次性完成 有时可能找不到最佳答案

🤖 智能体RAG（像私人智能助理）：

你问问题 → AI先思考需要什么信息 → 智能选择使用哪些工具 → 根据结果判断是否需要更多信息 → 不断优化直到给出满意答案 流程灵活，可以多轮迭代 能够主动判断和决策，回答更准确全面

核心优势： 智能体RAG就像给AI装上了"大脑"，不仅会搜索，还会思考、判断、规划，能够根据具体情况灵活调整策略，提供更智能、更准确的回答。 这就是为什么智能体RAG被认为是下一代AI问答系统的发展方向！

5种AI智能体设计模式

原图

翻译后的图

5种AI智能体设计模式解释

1. 反思模式 (Reflection Pattern)

像是"自我检查"的AI AI生成答案后，会反思自己的回答是否正确 如果发现问题，就重新生成更好的答案 就像学生做完题后检查一遍，发现错误就重做

1. 工具使用模式 (Tool Use Pattern)

AI像个多才多艺的助手 遇到问题时，知道调用合适的工具来解决 比如需要计算时调用计算器，需要搜索时调用搜索引擎 就像工人根据不同任务选择不同工具

1. 反应模式 (ReAct Pattern)

结合了"思考-行动-观察"的循环 AI会推理问题，采取行动，观察结果，然后继续 是一个持续的思考和行动过程 像侦探破案：分析线索→采取行动→观察结果→继续推理

1. 规划模式 (Planning Pattern)

AI像个项目经理 先制定计划，把大任务分解成小步骤 然后逐步执行每个步骤 就像做饭前先列清单，按步骤来

1. 多智能体模式 (Multi-agent Pattern)

多个AI专家协作工作 每个AI有自己的专长领域 它们互相配合完成复杂任务 像一个团队，每人负责自己擅长的部分

5大文本分块策略

原图

翻译后的图

📖 原图解释（用生活例子说明） 想象你要整理一本厚厚的百科全书，让别人更容易查找信息：

• 固定大小分块 = 用尺子量着切

每10页切一刀，不管内容是什么 优点：简单快速 缺点：可能把一个故事切断

• 语义分块 = 按话题分类

把讲同一个话题的内容放在一起 优点：内容更有逻辑 缺点：需要理解每页在讲什么

• 递归分块 = 先粗分再细分

先按章节分，太厚再按小节分，还是太厚再按段落分 优点：灵活适应 缺点：步骤有点复杂

• 结构分块 = 按目录分章节

直接按照书的目录来分：第一章、第二章… 优点：最符合阅读习惯 缺点：需要书有清晰的目录结构

• LLM智能分块 = 请专家帮忙整理

让AI读完整本书，然后智能地帮你分类 优点：分得最好最智能 缺点：请专家很贵，而且慢

智能体系统的5个等级

原图

翻译后的图

1. 基础响应器

   最简单的形式，用户提问后直接由大语言模型回答，就像普通的ChatGPT对话。

2. 路由模式

   添加了一个"路由器"来判断问题类型，根据不同问题分配给不同的专门模型处理，比如技术问题给技术模型，创意问题给创意模型。

3. 工具调用

   AI可以主动调用外部工具，比如搜索引擎、计算器、API接口等，获取实时信息后再回答用户。

4. 多智能体模式

   由一个管理员智能体协调多个专业智能体合作完成任务，每个智能体负责不同领域，类似团队协作。

5. 自主模式

   最高级形式，有生成器智能体负责创造内容，验证器智能体负责检查质量，形成自我完善的闭环系统。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】