在上一部分中，我们了解了工具如何帮助 AI 智能体与真实世界系统交互 — 发送电子邮件、提交工单、触发 API。
但如果模型不需要行动呢？
如果它只需要访问正确的信息呢？
在许多企业环境中就是这样：
团队间分散的内部文档
没人记得写过的政策 PDF
埋藏在 CRM 注释中的客户洞察
包含有用上下文的仪表板和电子邮件
工具在这里帮不上忙。模型需要通过你的数据进行思考。
这就是 RAG 的用武之地。
RAG 代表 检索增强生成。
这是一种系统设计，其中模型在生成响应之前从你自己的数据中检索相关信息。
与仅依赖模型训练的内容不同，RAG 为它提供了访问来自企业系统的实时、上下文相关信息的机会。这使得答案更加准确、有根据且可审计。
你可能会想：
“为什么不直接把所有数据给模型？”
问题是：