Agent + RAG + MCP 一体化入门
把 Agent、RAG、MCP 三个概念串成一条入门路径,说明各自解决什么问题、怎么配合。
Agent + RAG + MCP 一体化入门
Agent、RAG、MCP 的边界与组合选型
背景
Agent(智能体)、RAG(检索增强生成)、MCP(模型上下文协议,Model Context Protocol)常被放在一起讨论。三者的分工可以概括为:RAG 管资料,Agent 管动作,MCP 管接口。选型时先看瓶颈在哪一环:资料不准就补 RAG,流程要自动跑就用 Agent,工具接入混乱就上 MCP。本文面向正在搭建企业知识库与自动化流程的开发者与产品团队,给出各环节常用工具、三个组合示例与一份速查表。各工具的许可信息以官方仓库 LICENSE 文件为准,版本以写作时最新发布为准。
一、三者是什么关系
RAG 在模型回答前从知识库检索相关文档,作为参考资料;Agent 让模型按需多轮调用工具,完成多步任务;MCP 是模型调用外部工具的统一协议。三者可以独立使用,也可以组合。
- RAG 的边界:只负责取资料,不改变流程走向,适合企业内部 FAQ、产品手册问答。
- Agent 的边界:决定调哪个工具、调几次,适合客服系统、数据分析助手。
- MCP 的边界:只做接口标准化,把工具调用逻辑声明一次供多个模型复用,可接入文件系统、数据库、API、浏览器等外部工具,不替代框架。
二、RAG 常用工具
- LlamaIndex:RAG 框架,覆盖数据加载、向量索引、检索、生成,适合中等规模知识库,MIT 许可。
- LangChain:通用 LLM 应用框架,RAG 是其中一条链路,生态组件较多,MIT 许可。
- Dify:低代码 RAG 与 Agent 平台,拖拽式编排,内置向量库与模型管理,Apache-2.0 许可(含附加条款,以仓库 LICENSE 为准)。
- Chroma:轻量向量数据库,适合小数据量 RAG,Apache-2.0 许可。
三、Agent 常用工具
- CrewAI:多 Agent 协作框架,适合分工明确的多角色场景,MIT 许可。
- AutoGen:微软 AutoGen 项目,支持多 Agent 对话与人机回路,MIT 许可。
- A2A 协议:Google 主导的 Agent-to-Agent 标准,与 MCP 互补,Apache-2.0 许可。
- CAMEL-AI:基于角色扮演与任务自治的多 Agent 框架,Apache-2.0 许可。
四、MCP 常用工具
- MCP 官方 Servers:Anthropic 维护,含文件系统、SQLite、Git、浏览器等基础 Server,MIT 许可。
- Desktop Commander MCP:让模型操作本地文件系统与终端,MIT 许可。
- GitHub MCP Server:GitHub 官方实现,可操作 Issues、PR、仓库,许可信息以官方仓库为准。
- LobeHub MCP Marketplace:MCP Server 注册中心,可搜索、安装,社区运营,多数 Server 开源。
五、组合示例
以下为方案思路,未做逐项实测,落地前需按实际数据量与模型部署方式验证。
- 企业内部 FAQ Agent:Dify 导入内部文档,经 RAG 检索后接入企业微信或飞书,员工提问时从文档中检索出答案。Dify 自带 RAG 与 Agent,配置量相对少。
- 客服 Agent 与知识库:CrewAI 设分诊、知识库检索、话术生成三个角色,MCP 连接工单系统与客服 UI,可串成一条链路。
- 文档处理个人助手:LangChain 索引本地 PDF,MCP 操控本机文件,可接 Qwen、DeepSeek、Mistral 等模型,默认在本机处理,具体取决于所选模型的部署方式。
六、选型速查表
- 只需回答问题、不涉及工具调用时,用纯 RAG 即可,可选 LlamaIndex 或 Dify。
- 需要完成任务,例如查数据库、发消息、操作硬件时,用 RAG 加 Agent,并按需接入 MCP。
- 需要多 Agent 协作与复杂工具编排时,把 RAG、Agent、MCP 组合使用。
七、常见误区
- MCP 是框架:MCP 是协议,不是框架。CrewAI、LangChain 等框架自身也能调用工具,不一定走 MCP;MCP 的作用是把工具调用标准化,便于跨模型复用。
- MCP 等同于统一 API 调用:两者不是一回事。只做单模型 API 调用时,OpenAI 兼容 SDK(官方客户端库)就够用,LangChain 与 LlamaIndex 也提供一致接口;MCP 解决的是外部工具接入的标准化。
- Agent 一定优于直接调 API:一问一答的简单任务直接调 API 更省 token(模型处理与计费的文本单位),也更稳定;Agent 适合多步任务与需要协调的场景。
- 本地模型跑不了 RAG 或 Agent:可以运行,主要瓶颈在显存与推理速度,复杂 Agent 推理会明显变慢。
- MCP Server 越多越好:每个 Server 都占用上下文窗口,Server 过多会挤占思考与回答空间,按实际需要保留 3 个以内即可。