通用大模型、RAG与Agent在售前场景中怎么分工？别再把三者混成一个聊天机器人

文章摘要企业建设AI售前助手时，常见误区是把通用大模型、RAG和Agent当成三个可以互相替代的方案。实际上，通用大模型负责语言理解与生成，RAG负责把内部知识送入上下文，Agent负责规划任务、调用工具和推动流程。本文围绕需求分析、产品匹配、方案生成、报价、投标和审批等售前任务，给出三类能力的边界、组合方式和选型建议。一、先看三个典型需求需求一：润色一段方案文字请把这段产品介绍改得更专业。只需要通用大模型。需求二：根据企业产品资料回答功能问题我们的仓储系统是否支持批次效期管理？需要RAG，因为答案必须来自企业内部资料。需求三：读取招标文件，拆解评分项，匹配产品功能，生成响应表并发起审批这已经不是单次问答，需要Agent编排多个步骤和工具。三个需求看起来都与“生成文本”有关，但系统复杂度完全不同。二、通用大模型负责什么通用大模型擅长：理解自然语言；提炼需求；改写和润色；生成结构化草稿；对信息进行归纳；按模板输出内容；判断文本语义关系。它不天然知道：企业当前产品版本；哪些功能已经正式上线；某客户历史项目情况；最新报价；研发排期；内部审批规则；招标文件中的真实评分项。因此，通用大模型适合做“语言和推理引擎”，不适合直接充当企业事实数据库。单模型适用场景改写客户邮件 润色方案摘要 将口语需求整理成列表 生成会议纪要草稿 把技术描述转换为客户语言这些任务不依赖企业私有事实，或者用户已经把全部必要信息放进当前输入。三、RAG负责什么RAG的核心链路是：用户问题 → 查询改写 → 检索企业资料 → 重排 → 组装证据 → 模型回答在售前场景中，RAG主要解决：产品功能查询；版本差异；案例检索；参数和接口说明；行业方案复用；招标条款定位；标准报价说明；实施边界查询。RAG的价值不是简单让模型