近年来，人工智能领域涌现诸多新概念新技术，AIGC、MCP 和 Agent 成业界与学术界热门话题。本文将介绍这三个概念，助读者理解其内涵、区别、联系及实际应用价值。
AIGC
AIGC 即 AI Generated Content，指利用人工智能技术（如 GPT、Stable Diffusion 等大模型）自动生成文本、图片等多种内容。2022 年 11 月 30 日，OpenAI 的 ChatGPT（基于 GPT-3.5）上线，引爆 AIGC 热潮。
多模态技术
单模态：只处理一种类型的数据，比如只处理文本（如 GPT-3.5）、只处理图像（如图像识别模型）。
多模态：能够同时处理两种及以上类型的数据。例如，既能理解图片内容，又能理解文本描述，甚至还能结合音频、视频等信息进行综合分析和生成。对应的场景有。
| 场景 | 主流模型 |
|---|---|
| 文生图片 | DALL-E(OpenAI)、Imagen(Google)、Stable Diffusion(Stability AI)、混元文生图（腾讯）等 |
| 文生视频 | Sora(OpenAI)、Stable Video Diffusion(Stability AI) |
| 图生文（图片理解） | GPT-4V(OpenAI)、Gemini(Google)、Qwen-VL（阿里） |
| 图文生视频 | Runway Gen-2(Runway AI)、Stable Video Diffusion(Stability AI) |
| 视频生文（视频理解） | Gemini 1.5 / Gemini Pro Vision（Google） |
RAG 技术
RAG（检索增强生成）技术，是结合信息检索（IR）与大型语言模型（LLM）文本生成能力的人工智能框架。核心思想：LLM 回答问题或生成文本时，不单纯依赖内部训练知识，而是先从外部知识库检索相关信息片段，再将其与原始问题/指令提供给 LLM，让 LLM 基于最新、最相关上下文生成更准确可靠、少幻觉的答案。
大型语言模型虽然拥有海量的知识和强大的语言理解与生成能力，但也存在一些关键限制：
- 知识局限性/过时性：LLM 知识源于训练数据截止日前信息。对之后事件、新研究、最新数据或特定领域细节，可能不知或提供过时信息。
- 幻觉：LLM 遇到知识库中不明确或不存在的信息时，可能'捏造'看似合理但错误或不存在的答案。
- 缺乏来源/可验证性：LLM 通常无法提供答案具体来源，难验证答案准确性。
- 特定领域知识不足：通用 LLM 可能缺对特定公司、组织或个人私有知识库的深入了解。
RAG 正是为了解决这些问题而诞生的。
Agent
'智能体'（Agent）在计算机科学和人工智能领域，指能感知环境、自主决策并行动以实现特定目标的实体或系统。可以是软件程序、机器人硬件或生物实体（如人类或动物），AI 领域通常指软件智能体。
Agent 和 AIGC 最大的区别：
- AIGC 主要以生成式任务为主，而 Agent 是可以通过自主决策能力完成更多通用任务的智能系统。
- 常见 AIGC 系统（文生文、文生图）核心是生成模型，Agent 是集 Function Call 模型与软件工程于一体的复杂系统，需处理模型与外界的信息交互。
- Agent 可以集成 AIGC 能力完成某些特定的任务，也就是 AIGC 可以是 Agent 系统里面的一个子模块。
Agent 最大的特点是，借助 Function Call 模型，可以自主决策使用外接的一些工具来完成特定的任务。
