1、RAG知识库（数据结构化，嵌入，增强搜索，结果重排，内容召回）
以openai为例，为了解决AI的幻觉，让AI更了解我们私有化的知识，rag知识库，通过openai 模型（GPT3.5或4.0）+emebedding 模型（text-embedding-ada-002）实现的一种方案。
常见的应用：openai的gpts实现方式，码多多知识库（商业授权9800），coze初级版本，腾讯元器平台初级版本功能，fastgpt初级版本等等！
2,智能体，在rag知识库的基础上增加插件和工作流编排，就形成了现在的智能体，换句话：智能体就是带有插件和工作流编排的rag知识库。
智能体解决了复杂的流程交互问题，插件让AI能力做了扩展
常见的代表：maxkb（商业授权2w），fastgpt（商业授权4-6w），dify（商业授权10w）等等！
AI应用的企业根据自己的预算选择属于自己的rag和智能体方案。还有很多AI创业者在使用这些rag和智能体平台的时候，要注意商业授权的问题，源码都是开源的，但是商业行为必须要授权！
说说默拉智能2年来AI技术积累的经验：
1.码多多纯rag不带工作流这一套比较常见。
2.有条件就上maxbk带工作流方案中最品便宜的！
3.fastgpt纯开源，稳定性强，兼容性也强（api接口可以任意编辑），用开源的能解决98%的问题，如果团队企业内部小范围用，用这个方案是最好的，开源免费+一个服务器资源就可以了！
4.dify 放弃了，不如fastgpt和maxkb的架构好，dify架构太复杂了，都有点臃肿了，而且贼贵，dify的商业授权卖10w。
其实解决方案都一样的。rag+工作流+插件=智能体（fastgpt， maxkb，dify）。很多企业，用一套码多多rag就搞定了，插件和工作流对他们来说意义不大 ！
最后：AI知识库和AI智能体的复制和迁移成本不高，为了后面知识库迁移做了可能性。AI知识库交易平台，似乎有点搞头！
总结：
rag和智能体这些套件都属于锦上添花的操作（或者屎上雕花），效果好坏的核心是底层模型的能力。
底层模型考虑2个点：1，模型能力优先考虑。2，模型的价格次之（比如4o的价格比Claude3.5的价格便宜一半）！
按照默拉智能2年的AI应用实践，好用的rag和智能体模型组合（没有之一）：openai的4o+text-embedding-ada-002！兼顾能力和经济价格。
压箱底经验总结！希望大家多多支持。关注默拉智能，分享跟多大模型和智能体的核心干货！
读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用
对于0基础小白入门：
如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！
👉AI大模型学习路线汇总👈
第二阶段： 在通过大模型提示词工程从prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。