第六章 RAG 与工具生态：给智能体接上外部世界

第六章 · RAG 与工具生态：给智能体接上外部世界

本章要回答的三个问题：模型的知识停在训练截止日，怎么让它回答"现在"的问题？检索出来的内容质量参差，怎么用参数把质量管起来？每个项目都在自研同样的查询、邮件、日历工具，这套轮子能不能不重复造？

为什么会有这一章

第 1 章列出的第四个缺口——"不知道自己不知道"——至今没有正式处理。它有两种表现形式：知识过时（昨天发的政策今天来问）与知识私有（公司制度、产品手册从没进过任何训练集）。两者的共同解法是检索增强生成（RAG，Retrieval-Augmented Generation）：回答之前先去权威来源取证，把证据连同问题一起交给模型。第 3 章的向量检索已经打好了地基——本章把它从"记用户的事"扩展到"记世界的知识"，并补上引用与验真这两个生产级要求。

本章后半段处理另一个"接上世界"的问题：工具。前面各章的工具都是项目自研的，而查询订单、发邮件、读日历这类能力每个公司、每个项目都需要，重复造轮子的浪费肉眼可见。工具生态协议（以 MCP 为代表）要做的，就是把"造工具"和"用工具"解耦成两个市场。

本章全景

图：RAG 与工具的混合链路——三种知识来源各走各的门

读完能解决什么

• 能为一个知识问答需求选择正确路径：内部知识直接答、私有知识走 RAG、实时数据走工具，并说清误选的后果。
• 能搭建一条带引用的 RAG 链路，并对分块、top_k、重排等参数给出有依据的初始值与调优方法。
• 能判断"该进检索库还是该进模型权重"——微调与 RAG 的分工边界，避免用错重型方案。
• 能理解工具生态协议（MCP）解决的问题，决定哪些工具自研、哪些直接接入。

各节怎么分工

先决条件

• 读完第 3 章 3.2 节：向量库、嵌入、top_k 的概念本章直接复用，只是对象从"记忆"换成"知识"。
• 读完第 2 章 2.2 节：工具调用的协议是理解 MCP 的前置。

往下走到哪

见识接上了，能力接上了，剩下的问题是"怎么证明它靠谱、怎么保证它不出事"——第 7 章的评测与护栏，是敢把智能体放上产线的最后一道关卡。

建库前的三问

投入 RAG 建设之前，三个问题值得先答，答案决定投入的规模与形态。

一问：知识是否已经"库化"？ 大量组织的真实困境不在检索技术，而在知识本身散落在个人电脑、聊天记录与离职员工的脑袋里。建 RAG 的第一步往往是知识治理——统一存储、明确责任人、建立更新流程。检索技术再好，喂进去的是陈旧的散稿，产出的只能是精致的过时答案。

二问：用户的问题是否"可检索"？ 有些需求看似问答，实则是多步业务操作（"帮我把这个口径的数据重新拉一遍"），RAG 只能回答其中"查"的部分。把问答需求与操作需求在入口处分流，检索库的定位才清晰。

三问：错误答案的代价有多高？ 决定引用验真的投入级别——代价高的场景（合规、医疗、财务）需要 6.1 节的完整引用链加第 7 章的验真闸，代价低的场景（内部 FAQ）可以从简。RAG 的投入弹性极大，按答错的风险定规格，是最不容易后悔的预算原则。