第一部分：起跑线 —— 五分钟读懂 RAG
检索增强生成（RAG）作为一种结合信息检索与文本生成的技术，已成为解决大语言模型（LLM）"知识过时"和"幻觉输出"问题的关键方案。简单来说，RAG 通过将外部知识库与 LLM 生成能力相结合，使模型能够基于真实、最新的信息输出答案。
1. 为什么我们需要 RAG？
在 RAG 出现之前，大模型的应用开发主要依赖提示工程和模型微调，但二者都有明显局限：
- 提示工程：适合简单指令，但无法补充模型未训练过的新知识（如企业内部文档），且受限于上下文窗口长度。
- 模型微调：能注入新领域知识，但成本高（需大量标注数据+算力）、更新慢（改一次就要重新训一次），且容易遗忘原有能力。
RAG 的核心价值，就是做大模型的“外置知识库”——无需微调，只需通过实时检索外部文档，就能让模型生成更精准、更实时、更合规的答案。
如果把大模型比作一个超级学霸，但他记性不好且知识停留在两年前；那么 RAG 就是给他发了一本随时可查的“参考书”，让他能够进行 “开卷考试”。
MCP、RAG、Agent三者虽然是紧密相连，但是是三个不同的概念。同样虽然是三个不同的概念，但是他们之间的关系却紧密相连（废话）。本文主要意在对这三个 AI 领域的概念进行简单是扫盲。
个人鄙见，想到哪里写哪里，仅供参考。
作为一个 Java 这样传统的后端程序员，我们作为一个后端的程序，能在 AI 浪潮中发挥出来自己怎么样的优势？一开始我觉得作为一个后端程序员，我们对 AI 相关的知识了解是欠缺的，对我而言就是经常在写代码时用到的 AI 助手。然后，前段时间呢接触写了一个 RAG 原型项目，就是实现了一个简单的“文件上传，文档解析，向量存储，文档检索，调用模型，返回响应”。就这看来感觉后端程序个人在 AI 中所能利用的优势还是比较小的。但是又经过我深入的学习后，详细了解 RAG、MCP 和 Agent 这些概念后又发生了变化。
MCP & Function Calling
什么是Function Calling？
Function Calling是一种让大语言模型(LLM)能够与外部工具和系统交互的机制。它允许模型在需要时识别并调用适当的工具来获取信息或执行作。
