CHAPTER 08 · 系统协同

大模型与智能体协同

讨论模型选型、Agent 提示工程与 Agentic RAG 的协同设计。

3 个主题前置：建议完成第 04、05 章目标：把模型能力与 Agent 架构组合成稳定系统。

本章知识关系大模型与智能体协同

把模型能力与 Agent 架构组合成稳定系统。

LEARNING SEQUENCE

按知识依赖逐步进入

每个主题保留完整原文，并增加教学图、图例、对比表和更清晰的阅读结构。

模型选型与 Agent 适配

不同的大模型在 Agent 场景中表现差异巨大——工具调用准确率、推理能力、上下文长度、响应速度都直接影响 Agent 的可靠性。本章从 Agent 视角分析如何选择和适配大模型。

提示工程在 Agent 中的应用

提示工程（Prompt Engineering）在 Agent 场景下有着比一般 LLM 应用更复杂的要求。Agent 的系统提示不仅要定义模型的行为风格，还要规范工具使用、决策逻辑、输出格式和错误处理。本章深入讲解 Agent 场景下的提示工程最佳实践。

RAG 与 Agent 的深度结合

RAG（检索增强生成）和 Agent 是 LLM 应用的两大核心范式。当两者深度结合时，Agent 不仅能检索知识，还能主动规划检索策略、评估结果质量、动态调整检索方案——实现从"被动检索"到"主动知识探索"的跃迁。

CHAPTER OVERVIEW

本章主题对照

先看每篇解决什么问题，再决定从哪里深入。

主题	核心概念	学习产出
模型选型与 Agent 适配	Agent 对模型的核心要求、主流模型 Agent 能力对比、模型路由策略	不同的大模型在 Agent 场景中表现差异巨大——工具调用准确率、推理能力、上下文长度、响应速度都直接影响 Agent 的可靠性。本章从 Agent 视角分析如何选择和适配大模型。
提示工程在 Agent 中的应用	Agent 系统提示的结构、工具使用提示技巧、错误处理提示	提示工程（Prompt Engineering）在 Agent 场景下有着比一般 LLM 应用更复杂的要求。Agent 的系统提示不仅要定义模型的行为风格，还要规范工具使用、决策逻辑、输出格式和错误处理。本章深入讲解 Agent 场景下的提示工程最佳实践。
RAG 与 Agent 的深度结合	从 RAG 到 Agentic RAG、Agentic RAG 架构、多数据源路由	RAG（检索增强生成）和 Agent 是 LLM 应用的两大核心范式。当两者深度结合时，Agent 不仅能检索知识，还能主动规划检索策略、评估结果质量、动态调整检索方案——实现从"被动检索"到"主动知识探索"的跃迁。