- Agent：
- 概念：在人工智能中，Agent 通常指的是能够执行任务或做出决策的实体，可以是简单的程序，也可以是复杂的系统，如自动化客服助手、推荐系统等，甚至可以是软件代理、机器人或虚拟助手等各种形式。
- 作用：它能利用内置的大语言模型来做出规划，决定执行哪些步骤，以及每个步骤需要调用哪些工具（如 RAG），之后调用相应的工具，最终完成任务。例如，在客服问答场景中，Agent 可以根据用户的问题，规划出需要查询商品价格、进行计算等步骤，并调用相应的工具（如 RAG 工具去检索商品价格信息，调用计算器进行计算），最后基于结果生成客服文案来回答用户。
- RAG（Retrieval-Augmented Generation）：
- 概念：是一种结合了检索和生成的自然语言处理技术。它先从大型文档集合中检索相关信息，然后将这些信息整合到生成的文本中。RAG 模型通常包含检索器（用于从文档库中检索相关信息）和生成器（用于生成最终的文本输出）两个主要部分。
- 作用：主要用于提升大模型回答问题的准确性。传统大模型可能会凭空 “编造” 答案，而 RAG 技术通过检索相关文档或数据源（如数据库或网络资源），找到最相关的片段作为证据，再利用这些证据辅助大模型生成精确的答案，能有效改善 “幻觉” 问题，在问答、摘要生成、内容创作等任务中表现出色。
- LangChain：
- 概念：是一个开源的自然语言处理框架，旨在通过模块化的方式构建复杂的语言处理应用。它提供了一套工具和接口，让开发者能轻松地集成和扩展不同的语言处理功能。
- 作用：允许开发者构建端到端的自然语言处理流程，包括数据预处理、模型训练、推理和后处理等。在涉及 RAG 技术应用时，LangChain 可以帮助开发者高效地组织、检索和对接多种数据源，比如将文本数据进行向量化存储，并与大模型进行无缝交互。例如，在构建客服问答产品时，LangChain 可作为基础设施平台，提供构建此类系统的工具和服务，开发者能使用它来对接检索服务、商品价格知识库、售后服务 API 接口以及大语言模型等。
