1. 先搞清楚 MCP 和 RAG 到底解决什么问题如果你正在处理大模型LLM如何连接外部数据或工具的问题大概率已经听过 RAG检索增强生成和最近出现的 MCP模型上下文协议。这两个方案都不是为了替代大模型本身而是为了解决 LLM 的两个核心短板知识更新慢训练数据有截止日期和无法直接操作外部系统数据库、API、文件等。RAG 的思路是把外部知识库比如公司文档、最新资料通过检索器实时查询把相关片段作为上下文喂给 LLM让模型基于这些新鲜信息生成回答。它主要增强的是模型的“知识面”适合问答、文档分析、客服这类需要事实准确性的场景。MCP 则更偏向“操作能力”。它定义了一套标准协议让 LLM 可以通过结构化方式调用外部工具比如执行代码、查询数据库、操作文件。MCP 的核心是让模型能“做事情”而不仅仅是“回答问题”。它更适合需要多步执行、状态维护、工具调用的自动化流程比如数据分析流水线、自动化报告生成、跨系统任务协调。简单说RAG 是给模型“喂资料”MCP 是给模型“装手柄”。如果你的需求是让模型回答得更准、更有依据先看 RAG如果你需要模型能自动执行一连串操作MCP 更值得投入。2. 从实际场景看 RAG 和 MCP 的分工2.1 RAG 的典型落地场景RAG 系统通常包含三个核心环节文档处理、检索器、生成器。文档处理阶段会把你的知识库PDF、Word、网页等拆分成片段转换成向量存入向量数据库。检索器根据用户问题从向量库中找到最相关的几个片段。生成器把问题和这些片段一起交给 LLM让模型合成最终答案。我一般会先确认知识库的更新频率。如果资料变动不频繁比如产品手册、历史文档RAG 的效果最稳定。但如果你需要处理实时数据比如今天的股价、新闻就要考虑检索器能否对接动态数据源以及如何平衡检索速度和答案质量。另一个关键点是片段划分策略。很多人直接按固定长度切分但遇到表格、代码块或多段落说明时容易把完整信息切断。我更建议根据文档结构标题、段落、表格边界做智能切分或者至少测试不同 chunk size 对答案连贯性的影响。2.2 MCP 的适用边界MCP 协议的核心是定义了一套工具调用规范。模型不需要知道工具的具体实现只需要按照 MCP 格式发起请求由 MCP Server 接管实际执行。比如你可以封装一个“查询数据库”工具模型只需要说出“请查询上个月的销售数据”MCP 会自动转换成 SQL 查询并返回结果。这种模式特别适合流程固定的重复任务。比如每天早上的数据简报模型先调用“获取昨日订单”工具再调用“计算增长率”工具最后调用“生成简报邮件”工具。整个过程模型只负责逻辑编排具体执行由各个工具保障。但 MCP 对工具设计的可靠性要求很高。如果某个工具经常超时或返回异常格式整个链条就会失败。所以前期重点不是让模型学会所有工具而是确保每个工具都有清晰的输入输出、错误处理和日志记录。2.3 什么时候该考虑结合使用在实际项目里RAG 和 MCP 经常需要配合。比如一个智能客服场景用户问“我的订单 12345 到哪里了”先用 RAG 从帮助文档里检索“订单查询方法”如果发现需要调用 API再通过 MCP 执行“查询物流”工具。这样既保证了回答有依据又能完成实际操作。结合的关键是控制好上下文长度。RAG 检索的结果和 MCP 调用的结果都会占用 LLM 的上下文窗口。如果每一步都返回大量数据容易导致窗口溢出或模型忽略关键信息。通常我会设置检索结果数量上限并对 MCP 工具返回做摘要处理只保留核心字段。3. 本地部署和资源占用的实际考量3.1 RAG 系统的资源组成一个完整的 RAG 系统至少需要三部分资源文档处理流水线、向量数据库、LLM 服务。文档处理阶段比较吃 CPU 和内存尤其是解析复杂格式扫描 PDF、带表格的文档时。向量数据库对内存要求高检索速度取决于向量索引规模和硬件性能。LLM 部分是最灵活的。如果对响应速度要求高可以考虑本地部署 7B~13B 参数量的模型比如 Llama、Qwen 系列需要 8GB~16GB 显存。如果只是内部试用先用 OpenAI 或国内云厂商的 API 验证效果再决定是否自建。我一般建议分阶段部署先用云服务跑通全流程再逐步把检索器和向量数据库迁移到本地最后根据调用量决定是否自建 LLM。这样避免一开始就投入大量硬件却卡在文档处理或检索优化上。3.2 MCP 服务的轻量级部署方案MCP 协议本身是轻量的但工具的实现可能涉及各种依赖。比如一个“发送邮件”工具需要 SMTP 配置“执行 SQL”工具需要数据库连接池。部署时重点考虑工具之间的隔离性和资源竞争。对于测试环境可以用单进程运行所有工具但要有超时和重启机制。生产环境更建议用容器隔离每个工具通过 MCP Server 统一调度。这样即使某个工具崩溃也不会拖垮整个系统。资源评估时不要只看 LLM 的消耗还要算上工具执行的开销。比如一个“生成图表”工具可能会临时占用大量内存一个“视频转码”工具会吃满 CPU。最好对每个工具做压力测试设定并发限制和资源配额。3.3 低配置环境的可行性如果只有普通 PC无 GPU、16GB 内存依然可以体验核心功能。RAG 方面用轻量级向量数据库Chroma、FAISS和小模型比如 2B 参数的 Embedding 模型能处理万级文档。MCP 方面先实现几个简单工具文件读写、HTTP 请求避免需要重型运行时的操作视频处理、大规模计算。关键是把预期放对低配置下不要追求毫秒级响应或大批量并发重点验证流程是否通、结果是否准。等核心逻辑跑顺后再针对瓶颈环节升级硬件或优化代码。4. 实操步骤从零搭建一个可运行的 demo4.1 环境准备和依赖安装先创建一个干净的 Python 环境3.9避免包冲突。RAG 部分需要安装向量数据库库如 chromadb、文档解析库如 unstructured、Embedding 模型如 sentence-transformers。MCP 部分需要安装 MCP 协议库如 modelcontextprotocol和工具依赖。# 创建虚拟环境 python -m venv rag_mcp_demo source rag_mcp_demo/bin/activate # Linux/macOS # rag_mcp_demo\Scripts\activate # Windows # 安装核心包 pip install chromadb unstructured sentence-transformers pip install modelcontextprotocol如果遇到解析库的依赖问题比如 PDF 需要 poppler先按官方文档装系统级依赖再装 Python 包。我一般会先试一个小文档纯文本 TXT确认基础流程能跑再处理复杂格式。4.2 构建最小 RAG 系统第一步准备知识库创建一个docs/目录放几个示例文档比如公司介绍、产品说明。用 Python 脚本完成以下步骤加载文档并切分先按 500 字符长度简单切用 Embedding 模型转换成分块向量存入 Chroma 向量数据库实现检索函数输入问题返回 top-3 相关片段from sentence_transformers import SentenceTransformer import chromadb # 初始化模型和数据库 model SentenceTransformer(all-MiniLM-L6-v2) client chromadb.PersistentClient(path./chroma_db) collection client.get_or_create_collection(namedocs) # 文档处理示例实际需要更复杂的解析逻辑 documents [文档1内容..., 文档2内容...] # 从文件读取 embeddings model.encode(documents).tolist() # 存入向量库 collection.add( embeddingsembeddings, documentsdocuments, ids[fdoc_{i} for i in range(len(documents))] ) # 检索函数 def retrieve(query, n_results3): query_embedding model.encode([query]).tolist() results collection.query( query_embeddingsquery_embedding, n_resultsn_results ) return results[documents][0]跑通后用几个问题测试检索效果观察返回的片段是否相关。如果效果不好调整切分策略或换更大的 Embedding 模型。4.3 添加 MCP 工具调用接下来实现两个简单的 MCP 工具获取当前时间和计算数字平方。先定义工具描述名称、参数、说明再实现执行逻辑。from mcp import ClientSession, StdioServerParameters import asyncio # 工具定义 tools [ { name: get_current_time, description: 获取当前系统时间, parameters: {type: object, properties: {}} }, { name: calculate_square, description: 计算一个数字的平方, parameters: { type: object, properties: { number: {type: number, description: 输入数字} }, required: [number] } } ] # 工具实现 async def execute_tool(name, arguments): if name get_current_time: from datetime import datetime return {result: datetime.now().isoformat()} elif name calculate_square: return {result: arguments[number] ** 2} else: return {error: f未知工具: {name}}然后设置 MCP 服务器让 LLM 能通过标准输入输出调用这些工具。这里需要模拟 LLM 的请求格式实际项目中会用 Claude 或 GPT 的 tool calling 功能。4.4 连接 LLM 完成端到端流程最后把 RAG 和 MCP 组合起来。流程如下用户输入问题先用 RAG 检索相关知识片段把问题、检索结果、可用工具描述一起发给 LLMLLM 决定是否需要调用工具如需调用则通过 MCP 执行收集工具执行结果再次发给 LLM 生成最终回答这个 demo 可以用 OpenAI API 或本地 Ollama 部署的模型测试。关键观察点是模型是否能正确判断何时该检索、何时该调用工具工具调用参数是否准确最终回答是否连贯。5. 生产环境的关键配置和排查点5.1 RAG 系统的性能优化检索速度主要取决于向量索引类型和硬件。对于百万级文档HNSW 索引比暴力搜索快很多但需要更多内存。如果查询 QPS 高可以考虑在内存中缓存热点查询的检索结果。另一个常忽略的点是 Embedding 模型的选择。通用模型如 text-embedding-ada-002覆盖面广但领域精度可能不足。如果你的文档专业性强医学、法律、代码用领域专用模型或微调现有模型能显著提升检索相关性。我一般会设置检索质量监控定期用一批标准问题测试记录检索结果的相关性评分。如果评分持续下降可能是文档更新后需要重新处理或 Embedding 模型需要调整。5.2 MCP 工具的可靠性和安全工具调用最怕两件事执行失败和安全漏洞。每个工具都应该有超时控制、输入验证、错误处理和详细日志。比如数据库查询工具要限制最大返回行数文件操作工具要约束路径范围。权限控制也很关键。不要用高权限账户运行 MCP Server更不要让它能执行任意系统命令。通过工具白名单和参数校验把风险操作隔离在沙箱内。实际部署时我建议先用模拟模式跑一遍记录工具调用参数但不实际执行。确认模型生成的调用序列符合预期后再开启真实执行。这样能避免测试阶段误删数据或发送垃圾邮件。5.3 混合系统的故障排查顺序当 RAGMCP 系统出问题时按这个顺序排查检查输入问题是否包含特殊字符、编码异常、超出长度限制验证 RAG 检索检索结果是否相关、片段数量是否合理、向量库是否正常更新检查工具调用MCP Server 是否存活、工具参数格式是否正确、执行是否超时查看 LLM 交互上下文是否过长、模型是否误解指令、返回格式是否解析错误审查系统资源内存、CPU、磁盘、网络是否达到瓶颈日志要分层记录用户问题、检索结果、工具调用请求、工具执行结果、模型生成内容。这样无论问题出在哪个环节都能快速定位。6. 常见误区与进阶方向6.1 不要过度依赖单一方案有些人试图用 RAG 解决所有问题比如把操作步骤也存入知识库让模型“读说明书”后生成操作命令。这种方案对简单任务有效但遇到需要多状态维护的复杂流程时远不如 MCP 的直接调用可靠。反过来也有人想用 MCP 工具实现所有知识查询比如封装一个“搜索知识库”工具。这相当于重新造了一个检索器而且失去了向量检索的语义匹配能力。正确的思路是根据任务类型选择主导方案事实查询主导用 RAG操作流程主导用 MCP混合任务设计好切换逻辑。6.2 评估效果不要只看准确率除了回答准确性还要关注响应延迟、资源消耗、失败率和可维护性。一个准确率 95% 但平均响应 10 秒的系统可能不如准确率 85% 但 1 秒内响应的系统实用。对于 MCP 工具链重点评估端到端成功率从用户提问到最终完成的比例和平均完成时间。单个工具再快如果经常因为某个环节失败而重试整体体验也会很差。6.3 进阶优化方向RAG 方面可以探索多检索器融合关键词向量图数据库、检索结果重排序、对话历史感知的检索策略。MCP 方面值得尝试工具调用规划优化、执行状态管理、工具自动发现与组合。长期看RAG 和 MCP 的界限会模糊。未来可能会出现统一框架根据用户意图自动选择知识检索或工具调用甚至混合执行。但现阶段理解两者的设计哲学和适用场景仍然是构建可靠 AI 应用的基础。最后提醒一点无论用哪种方案都要预留人工审核或干预的接口。完全自主的系统在复杂环境下依然容易出错关键业务至少要有日志审查和紧急停止机制。
1. 先搞清楚 MCP 和 RAG 到底解决什么问题如果你正在处理大模型LLM如何连接外部数据或工具的问题大概率已经听过 RAG检索增强生成和最近出现的 MCP模型上下文协议。这两个方案都不是为了替代大模型本身而是为了解决 LLM 的两个核心短板知识更新慢训练数据有截止日期和无法直接操作外部系统数据库、API、文件等。RAG 的思路是把外部知识库比如公司文档、最新资料通过检索器实时查询把相关片段作为上下文喂给 LLM让模型基于这些新鲜信息生成回答。它主要增强的是模型的“知识面”适合问答、文档分析、客服这类需要事实准确性的场景。MCP 则更偏向“操作能力”。它定义了一套标准协议让 LLM 可以通过结构化方式调用外部工具比如执行代码、查询数据库、操作文件。MCP 的核心是让模型能“做事情”而不仅仅是“回答问题”。它更适合需要多步执行、状态维护、工具调用的自动化流程比如数据分析流水线、自动化报告生成、跨系统任务协调。简单说RAG 是给模型“喂资料”MCP 是给模型“装手柄”。如果你的需求是让模型回答得更准、更有依据先看 RAG如果你需要模型能自动执行一连串操作MCP 更值得投入。2. 从实际场景看 RAG 和 MCP 的分工2.1 RAG 的典型落地场景RAG 系统通常包含三个核心环节文档处理、检索器、生成器。文档处理阶段会把你的知识库PDF、Word、网页等拆分成片段转换成向量存入向量数据库。检索器根据用户问题从向量库中找到最相关的几个片段。生成器把问题和这些片段一起交给 LLM让模型合成最终答案。我一般会先确认知识库的更新频率。如果资料变动不频繁比如产品手册、历史文档RAG 的效果最稳定。但如果你需要处理实时数据比如今天的股价、新闻就要考虑检索器能否对接动态数据源以及如何平衡检索速度和答案质量。另一个关键点是片段划分策略。很多人直接按固定长度切分但遇到表格、代码块或多段落说明时容易把完整信息切断。我更建议根据文档结构标题、段落、表格边界做智能切分或者至少测试不同 chunk size 对答案连贯性的影响。2.2 MCP 的适用边界MCP 协议的核心是定义了一套工具调用规范。模型不需要知道工具的具体实现只需要按照 MCP 格式发起请求由 MCP Server 接管实际执行。比如你可以封装一个“查询数据库”工具模型只需要说出“请查询上个月的销售数据”MCP 会自动转换成 SQL 查询并返回结果。这种模式特别适合流程固定的重复任务。比如每天早上的数据简报模型先调用“获取昨日订单”工具再调用“计算增长率”工具最后调用“生成简报邮件”工具。整个过程模型只负责逻辑编排具体执行由各个工具保障。但 MCP 对工具设计的可靠性要求很高。如果某个工具经常超时或返回异常格式整个链条就会失败。所以前期重点不是让模型学会所有工具而是确保每个工具都有清晰的输入输出、错误处理和日志记录。2.3 什么时候该考虑结合使用在实际项目里RAG 和 MCP 经常需要配合。比如一个智能客服场景用户问“我的订单 12345 到哪里了”先用 RAG 从帮助文档里检索“订单查询方法”如果发现需要调用 API再通过 MCP 执行“查询物流”工具。这样既保证了回答有依据又能完成实际操作。结合的关键是控制好上下文长度。RAG 检索的结果和 MCP 调用的结果都会占用 LLM 的上下文窗口。如果每一步都返回大量数据容易导致窗口溢出或模型忽略关键信息。通常我会设置检索结果数量上限并对 MCP 工具返回做摘要处理只保留核心字段。3. 本地部署和资源占用的实际考量3.1 RAG 系统的资源组成一个完整的 RAG 系统至少需要三部分资源文档处理流水线、向量数据库、LLM 服务。文档处理阶段比较吃 CPU 和内存尤其是解析复杂格式扫描 PDF、带表格的文档时。向量数据库对内存要求高检索速度取决于向量索引规模和硬件性能。LLM 部分是最灵活的。如果对响应速度要求高可以考虑本地部署 7B~13B 参数量的模型比如 Llama、Qwen 系列需要 8GB~16GB 显存。如果只是内部试用先用 OpenAI 或国内云厂商的 API 验证效果再决定是否自建。我一般建议分阶段部署先用云服务跑通全流程再逐步把检索器和向量数据库迁移到本地最后根据调用量决定是否自建 LLM。这样避免一开始就投入大量硬件却卡在文档处理或检索优化上。3.2 MCP 服务的轻量级部署方案MCP 协议本身是轻量的但工具的实现可能涉及各种依赖。比如一个“发送邮件”工具需要 SMTP 配置“执行 SQL”工具需要数据库连接池。部署时重点考虑工具之间的隔离性和资源竞争。对于测试环境可以用单进程运行所有工具但要有超时和重启机制。生产环境更建议用容器隔离每个工具通过 MCP Server 统一调度。这样即使某个工具崩溃也不会拖垮整个系统。资源评估时不要只看 LLM 的消耗还要算上工具执行的开销。比如一个“生成图表”工具可能会临时占用大量内存一个“视频转码”工具会吃满 CPU。最好对每个工具做压力测试设定并发限制和资源配额。3.3 低配置环境的可行性如果只有普通 PC无 GPU、16GB 内存依然可以体验核心功能。RAG 方面用轻量级向量数据库Chroma、FAISS和小模型比如 2B 参数的 Embedding 模型能处理万级文档。MCP 方面先实现几个简单工具文件读写、HTTP 请求避免需要重型运行时的操作视频处理、大规模计算。关键是把预期放对低配置下不要追求毫秒级响应或大批量并发重点验证流程是否通、结果是否准。等核心逻辑跑顺后再针对瓶颈环节升级硬件或优化代码。4. 实操步骤从零搭建一个可运行的 demo4.1 环境准备和依赖安装先创建一个干净的 Python 环境3.9避免包冲突。RAG 部分需要安装向量数据库库如 chromadb、文档解析库如 unstructured、Embedding 模型如 sentence-transformers。MCP 部分需要安装 MCP 协议库如 modelcontextprotocol和工具依赖。# 创建虚拟环境 python -m venv rag_mcp_demo source rag_mcp_demo/bin/activate # Linux/macOS # rag_mcp_demo\Scripts\activate # Windows # 安装核心包 pip install chromadb unstructured sentence-transformers pip install modelcontextprotocol如果遇到解析库的依赖问题比如 PDF 需要 poppler先按官方文档装系统级依赖再装 Python 包。我一般会先试一个小文档纯文本 TXT确认基础流程能跑再处理复杂格式。4.2 构建最小 RAG 系统第一步准备知识库创建一个docs/目录放几个示例文档比如公司介绍、产品说明。用 Python 脚本完成以下步骤加载文档并切分先按 500 字符长度简单切用 Embedding 模型转换成分块向量存入 Chroma 向量数据库实现检索函数输入问题返回 top-3 相关片段from sentence_transformers import SentenceTransformer import chromadb # 初始化模型和数据库 model SentenceTransformer(all-MiniLM-L6-v2) client chromadb.PersistentClient(path./chroma_db) collection client.get_or_create_collection(namedocs) # 文档处理示例实际需要更复杂的解析逻辑 documents [文档1内容..., 文档2内容...] # 从文件读取 embeddings model.encode(documents).tolist() # 存入向量库 collection.add( embeddingsembeddings, documentsdocuments, ids[fdoc_{i} for i in range(len(documents))] ) # 检索函数 def retrieve(query, n_results3): query_embedding model.encode([query]).tolist() results collection.query( query_embeddingsquery_embedding, n_resultsn_results ) return results[documents][0]跑通后用几个问题测试检索效果观察返回的片段是否相关。如果效果不好调整切分策略或换更大的 Embedding 模型。4.3 添加 MCP 工具调用接下来实现两个简单的 MCP 工具获取当前时间和计算数字平方。先定义工具描述名称、参数、说明再实现执行逻辑。from mcp import ClientSession, StdioServerParameters import asyncio # 工具定义 tools [ { name: get_current_time, description: 获取当前系统时间, parameters: {type: object, properties: {}} }, { name: calculate_square, description: 计算一个数字的平方, parameters: { type: object, properties: { number: {type: number, description: 输入数字} }, required: [number] } } ] # 工具实现 async def execute_tool(name, arguments): if name get_current_time: from datetime import datetime return {result: datetime.now().isoformat()} elif name calculate_square: return {result: arguments[number] ** 2} else: return {error: f未知工具: {name}}然后设置 MCP 服务器让 LLM 能通过标准输入输出调用这些工具。这里需要模拟 LLM 的请求格式实际项目中会用 Claude 或 GPT 的 tool calling 功能。4.4 连接 LLM 完成端到端流程最后把 RAG 和 MCP 组合起来。流程如下用户输入问题先用 RAG 检索相关知识片段把问题、检索结果、可用工具描述一起发给 LLMLLM 决定是否需要调用工具如需调用则通过 MCP 执行收集工具执行结果再次发给 LLM 生成最终回答这个 demo 可以用 OpenAI API 或本地 Ollama 部署的模型测试。关键观察点是模型是否能正确判断何时该检索、何时该调用工具工具调用参数是否准确最终回答是否连贯。5. 生产环境的关键配置和排查点5.1 RAG 系统的性能优化检索速度主要取决于向量索引类型和硬件。对于百万级文档HNSW 索引比暴力搜索快很多但需要更多内存。如果查询 QPS 高可以考虑在内存中缓存热点查询的检索结果。另一个常忽略的点是 Embedding 模型的选择。通用模型如 text-embedding-ada-002覆盖面广但领域精度可能不足。如果你的文档专业性强医学、法律、代码用领域专用模型或微调现有模型能显著提升检索相关性。我一般会设置检索质量监控定期用一批标准问题测试记录检索结果的相关性评分。如果评分持续下降可能是文档更新后需要重新处理或 Embedding 模型需要调整。5.2 MCP 工具的可靠性和安全工具调用最怕两件事执行失败和安全漏洞。每个工具都应该有超时控制、输入验证、错误处理和详细日志。比如数据库查询工具要限制最大返回行数文件操作工具要约束路径范围。权限控制也很关键。不要用高权限账户运行 MCP Server更不要让它能执行任意系统命令。通过工具白名单和参数校验把风险操作隔离在沙箱内。实际部署时我建议先用模拟模式跑一遍记录工具调用参数但不实际执行。确认模型生成的调用序列符合预期后再开启真实执行。这样能避免测试阶段误删数据或发送垃圾邮件。5.3 混合系统的故障排查顺序当 RAGMCP 系统出问题时按这个顺序排查检查输入问题是否包含特殊字符、编码异常、超出长度限制验证 RAG 检索检索结果是否相关、片段数量是否合理、向量库是否正常更新检查工具调用MCP Server 是否存活、工具参数格式是否正确、执行是否超时查看 LLM 交互上下文是否过长、模型是否误解指令、返回格式是否解析错误审查系统资源内存、CPU、磁盘、网络是否达到瓶颈日志要分层记录用户问题、检索结果、工具调用请求、工具执行结果、模型生成内容。这样无论问题出在哪个环节都能快速定位。6. 常见误区与进阶方向6.1 不要过度依赖单一方案有些人试图用 RAG 解决所有问题比如把操作步骤也存入知识库让模型“读说明书”后生成操作命令。这种方案对简单任务有效但遇到需要多状态维护的复杂流程时远不如 MCP 的直接调用可靠。反过来也有人想用 MCP 工具实现所有知识查询比如封装一个“搜索知识库”工具。这相当于重新造了一个检索器而且失去了向量检索的语义匹配能力。正确的思路是根据任务类型选择主导方案事实查询主导用 RAG操作流程主导用 MCP混合任务设计好切换逻辑。6.2 评估效果不要只看准确率除了回答准确性还要关注响应延迟、资源消耗、失败率和可维护性。一个准确率 95% 但平均响应 10 秒的系统可能不如准确率 85% 但 1 秒内响应的系统实用。对于 MCP 工具链重点评估端到端成功率从用户提问到最终完成的比例和平均完成时间。单个工具再快如果经常因为某个环节失败而重试整体体验也会很差。6.3 进阶优化方向RAG 方面可以探索多检索器融合关键词向量图数据库、检索结果重排序、对话历史感知的检索策略。MCP 方面值得尝试工具调用规划优化、执行状态管理、工具自动发现与组合。长期看RAG 和 MCP 的界限会模糊。未来可能会出现统一框架根据用户意图自动选择知识检索或工具调用甚至混合执行。但现阶段理解两者的设计哲学和适用场景仍然是构建可靠 AI 应用的基础。最后提醒一点无论用哪种方案都要预留人工审核或干预的接口。完全自主的系统在复杂环境下依然容易出错关键业务至少要有日志审查和紧急停止机制。
