2026年4月8日：报考AI助手背后的核心技术，你搞懂了吗？

开篇引入

每年高考季，千万考生和家长都面临着一个共同的难题：面对数千所院校、数百个专业以及复杂的招录规则，如何科学地填报志愿？传统的“翻书查数据、凭经验报志愿”模式，因信息滞后、匹配度低、决策压力大等问题，早已显得力不从心-4。在这样的背景下，

很多开发者和学习者在接触这类应用时，往往陷入一个常见误区：只知道怎么调用API返回答案，却

本文将以报考AI助手为实战场景，由浅入深地拆解RAG与Agent两大核心技术，从痛点出发、讲清概念、对比差异、提供代码示例，并提炼高频面试考点。无论你是技术入门者、在校学生，还是正在备战面试的开发者，这篇文章都能帮你建立完整的技术知识链路。

一、痛点切入：为什么需要报考AI助手？

在理解技术之前，先看看没有AI时我们是怎么填报志愿的。

传统填报方式的流程

 传统方式：依赖人工查询 + 经验判断
def traditional_volunteer_filling(score, province, major_preference):
     1. 查阅厚厚的高考志愿填报指南（纸质版）
     2. 手动查找往年分数线数据
     3. 凭经验估算冲/稳/保院校
     4. 人工排序志愿
    return recommendation   基于有限信息和主观判断

三大痛点

1. 信息不对称严重：数千所院校、上万个专业的招录规则复杂多变，普通家庭难以全面掌握-4。

2. 数据时效性差：往年录取数据每年都在变，纸质资料一出版就已过时，无法接入当年最新的招生政策变化。

3. 个性化缺失：传统方案无法结合考生的性格特点、职业倾向、家庭背景等多维度信息生成个性化方案-2。

这就是报考AI助手存在的根本原因——用技术手段解决信息获取、实时更新和个性化推荐三大难题。

二、核心概念讲解：RAG（检索增强生成）

标准定义

RAG（Retrieval-Augmented Generation，检索增强生成） 是一种将信息检索与文本生成相结合的技术框架-19。简单理解：RAG = 先检索资料，再让大模型基于资料生成答案。

关键词拆解

• 检索（Retrieval） ：从知识库中找出与用户问题最相关的信息片段

• 增强（Augmented） ：用检索到的信息“增强”大模型的上下文

• 生成（Generation） ：基于增强后的上下文生成准确回答

生活化类比

把RAG想象成一个有参考答案的考试：传统的“裸调大模型”就像是让学生在没有教材的情况下闭卷考试——能写但容易写错。而RAG相当于先给学生一份相关的参考材料，再让他回答问题——准确率自然大幅提升。

核心价值

RAG为大模型“外接动态知识库”，在不重训/微调的前提下，低成本解决四大核心痛点-21：

三、关联概念讲解：AI Agent（智能体）

标准定义

AI Agent（人工智能智能体） 是能自主感知、思考、行动的任务执行体-44。它不只是回答问题，而是能够完成目标。

Agent的核心能力

一个典型的AI Agent需要具备-30：

• 记忆管理：记住上下文，支持多轮对话和长期任务

• 工具学习：调用外部工具（API、数据库、计算器）执行操作

• 规划推理：将复杂任务拆解成多个步骤，按序执行

• 自我反思：执行过程中检查效果，必要时调整策略

生活化类比

• RAG 像一个聪明的图书管理员——你问问题，它能快速从书库中找到相关资料并给出答案

• Agent 像一个全能管家——你说“帮我规划一次周末旅行”，它会：查天气→订机票→搜酒店→排行程→生成清单→全部帮你搞定

Function Calling：Agent的“手脚”

Agent能调用外部工具，依赖的是Function Calling（函数调用/工具调用） 能力。开发者向大模型注册工具函数后，模型能根据问题智能选择并调用哪个工具，附上正确参数，并将执行结果转化为最终答案-。

四、概念关系与区别总结

一句话总结：RAG让模型“知道”更多，Agent让模型“能做”更多。在报考AI助手中，RAG负责准确检索院校和专业信息，Agent负责规划填报策略、调用算法计算录取概率、生成完整方案-44。

五、代码/流程示例演示

下面用极简代码演示RAG的核心流程，以报考AI助手的知识库问答为例：

 报考AI助手 - RAG核心流程极简演示
 需要安装：pip install chromadb sentence-transformers

from sentence_transformers import SentenceTransformer
import chromadb

 1. 初始化Embedding模型（将文本转为语义向量）
embedder = SentenceTransformer('BAAI/bge-small-zh')

 2. 构建知识库（院校专业信息）
knowledge_base = [
    "清华大学计算机科学与技术专业，2025年北京录取最低位次约前100名",
    "北京大学临床医学专业，五年制，录取分数通常在680分以上",
    "新高考省份采用'院校专业组'投档模式，每组单独划线",
     ... 更多院校专业数据
]

 3. 向量化并存入向量数据库（索引阶段）
client = chromadb.Client()
collection = client.create_collection("universities")
embeddings = embedder.encode(knowledge_base)
collection.add(
    documents=knowledge_base,
    embeddings=embeddings.tolist(),
    ids=[str(i) for i in range(len(knowledge_base))]
)

 4. 用户提问（检索阶段）
user_question = "清华大学计算机专业需要多少分？"
query_embedding = embedder.encode([user_question])

 5. 语义检索Top-K相关片段
results = collection.query(query_embeddings=query_embedding.tolist(), n_results=2)

 6. 构建增强提示词（生成阶段）
retrieved_context = "\n".join(results['documents'][0])
prompt = f"""
基于以下参考资料回答问题。如果参考资料中没有相关信息，请回答"不知道"。

参考资料：
{retrieved_context}

问题：{user_question}
回答："""

 7. 调用大模型生成答案（此处用模拟输出）
print("检索到的相关片段：", retrieved_context)
print("最终回答：清华大学计算机科学与技术专业，2025年北京录取最低位次约前100名")

关键步骤标注：

• 索引阶段（离线） ：将知识库文本→切片→向量化→存入向量数据库

• 检索阶段（在线） ：用户问题向量化→在数据库中语义→返回Top-K结果

• 生成阶段：检索结果+问题→构建Prompt→大模型生成回答

六、底层原理/技术支撑

RAG技术的底层依赖三大支撑点：

1. Embedding（嵌入向量）

Embedding是将文本转换为语义向量的核心技术。没有Embedding提供的语义量化能力，RAG就无法实现高效的“检索增强”-21。

2. 向量数据库

用于存储和检索向量数据，支持高效的相似度。常见方案包括Chroma、Milvus、Pinecone等-19。

3. 大语言模型（LLM）

负责最终的生成环节，基于检索到的上下文给出答案。当前主流模型包括GPT-4、Claude 3、Qwen等。

这三者构成了RAG的完整技术栈。关于Agent，其底层还依赖Function Calling、记忆管理、任务规划等更复杂的机制，这部分将在后续进阶文章中展开。

七、高频面试题与参考答案

Q1：什么是RAG？为什么需要RAG？

参考答案：
RAG（Retrieval-Augmented Generation，检索增强生成）是一种将信息检索与文本生成相结合的技术框架。它的核心思想是：在大模型生成回答之前，先从外部知识库中检索相关信息，将这些信息作为上下文传递给大模型。

需要RAG的原因（三个踩分点）：

1. 解决知识时效性问题：大模型训练数据有截止时间，RAG可接入实时更新的知识库

2. 打通私有数据访问：企业内部的私有数据无法被公开LLM访问，RAG能安全地接入

3. 降低幻觉风险：基于检索到的事实生成回答，准确率更高、结果可追溯-68

Q2：RAG和AI Agent有什么区别？

参考答案：

• RAG 专注于“知识增强”，核心目标是让模型生成更准确、有依据的回答，属于被动问答型智能

• AI Agent 专注于“行动执行”，核心目标是自主完成任务，属于主动执行型智能

• 一句话记忆：RAG让模型“知道”，Agent让模型“能做”-44

Q3：RAG的核心流程分为哪几个阶段？

参考答案（三个阶段）：

1. 索引阶段：将知识库文档切片→Embedding向量化→存入向量数据库

2. 检索阶段：用户问题向量化→在数据库中进行相似度→返回Top-K相关片段

3. 生成阶段：将检索结果与用户问题组合成Prompt→交给大模型生成答案-21

Q4：RAG出现漏召或召回错误时，怎么优化？

参考答案（三个优化方向）：

1. 加Rerank环节：在检索后加入重排序模型，对Top-K结果重新打分，过滤低相关结果

2. 优化数据切片：检查切片策略是否合理，尝试重叠切片或按语义段落切片

3. Prompt层面兜底：明确告诉模型“如果参考资料中找不到答案，直接说不知道”-64

Q5：报考AI助手这种场景下，RAG和Agent分别扮演什么角色？

参考答案：

• RAG 负责知识检索：当用户问“这个专业就业前景如何”时，从就业数据库、专业画像中检索相关信息-1

• Agent 负责任务执行：规划志愿方案→调用录取概率计算模型→分析60多项因子→生成完整的填报方案，并将决策推演结果呈现给用户-2

结尾总结

核心知识点回顾

1. 痛点驱动：报考AI助手的出现，源于传统志愿填报方式的信息不对称、数据时效性差和个性化缺失

2. RAG核心：检索增强生成 = 先检索资料 + 再让大模型基于资料生成答案，解决“知识过期”和“幻觉”问题

3. Agent核心：AI智能体能自主感知、思考、行动，让大模型从“会说话”进阶到“能办事”

4. 两者关系：RAG让模型“知道”，Agent让模型“能做”，在报考AI助手中协同工作——RAG负责检索准确信息，Agent负责规划执行任务

易错点提醒

• 不要混淆RAG和微调：RAG是动态检索，微调是参数更新，两者适用于不同场景

• Agent不等于ChatBot：Agent必须具备工具调用和任务规划能力，不是简单的对话模型

• 面试中讲RAG一定要说清“检索→增强→生成”三步流程，这是核心踩分点

下篇预告

下一篇将深入拆解 Agent的技术实现——记忆管理如何让Agent记住长上下文？Function Calling如何让模型调用外部工具？ReAct框架如何实现“思考-行动-观察”闭环？敬请关注。