已验证65% 置信观点精确时间

提示词工程和RAG解决的是让大模型回答好问题，而Agent解决的是让大模型主动思考并解决问题

3

来源数

65%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

企业级Agent三层架构实战：调度层、质检层、工具层破解落地难题

涉及实体

Agentconcept RAGconcept 提示词工程concept

相关事实

已验证检索增强生成（RAG）通过基于真实知识库内容回答来解决大模型的幻觉问题75% 相似待验证解决大模型知识边界问题的两大技术方向是持续微调（Fine-tuning）和RAG（检索增强生成），LangChain主要服务于RAG73% 相似待验证在文档结构复杂的场景中，分块策略、嵌入模型选择、重排序以及幻觉检测都是RAG必须解决的工程问题72% 相似待验证对于复杂问题工具交由 LLM Agent 分析，通常遵循 ReAct（Reasoning + Acting）范式72% 相似待验证微调适合教模型'如何做'，RAG 适合教模型'知道什么'70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/905958

API

curl https://kongchang.com/api/v1/knowledge/claims/905958

MCP

get_claim(id=905958)