「RAG解决“依据什么回答”Agent解决“如何选择行动”AI工作流解决“任务按什么流程完成”。」三者并不是互相替代的产品一个客户分析系统可以用RAG查找制度让Agent调用查询和计算工具再通过工作流安排数据检查、报告生成与人工审批。学习时不必把它们当成三个孤立名词更实用的办法是看清数据从哪里来下一步由谁决定结果由谁验收。对喜欢做数据项目的人来说这个区别尤其重要。模型生成了一份漂亮报告并不意味着分析成立能够查到数据也不意味着它有权使用数据。从基础应用走向企业AI工程真正增加的是对数据、过程和交付结果的控制能力。一、用同一个任务看懂RAG、Agent和AI工作流假设你要完成一个任务分析零售银行客户流失风险并给出符合制度要求的运营建议。技术概念通俗解释在任务中做什么应检查什么RAG检索增强生成先找资料再依据资料回答检索客户服务制度、产品规则和历史分析材料找到的资料是否相关、有效回答是否有依据Agent智能体围绕目标选择工具和下一步行动判断是否需要查询客户数据、计算指标或补查制度工具选择是否正确操作是否越权失败后如何处理AI工作流把处理步骤、条件和交接规则组织起来安排查询、分析、生成报告、人工复核等环节每一步输入输出是否清楚异常是否有人处理❝RAG侧重提供依据Agent侧重选择行动工作流侧重组织过程。一个可靠系统往往需要三者配合而不是只选其中一个。❞RAG让模型带着资料回答而不是凭印象作答RAG的全称是Retrieval-Augmented Generation即检索增强生成。它通常包含这样一条链路整理资料 → 建立检索索引 → 检索相关内容 → 将内容交给模型 → 生成回答RAG通常不通过修改模型参数来补充知识。更新制度文件并完成索引更新后系统就有机会检索到新内容但回答质量仍取决于资料质量、检索效果和模型是否忠实使用证据。它适合解决“资料很多查找和归纳费时间”的问题却不能天然保证正确。旧制度排在新制度前面、关键条款被切断、检索到了不该开放的文件都可能导致错误。Agent不仅回答还会决定调用什么工具Agent通常以模型为决策核心在限定目标和权限内选择工具、读取执行结果并决定继续处理、结束任务或请求人工介入。在客户流失分析任务中Agent可能先查询客户活跃度发现某项指标异常后再补查相关产品持有情况如果结果缺少必要字段它应该说明缺口而不是补出一组看似合理的数据。「Agent的识别重点不是它有没有聊天界面而是它是否承担了部分行动选择。」只有一条固定提示词生成文本不足以体现这种能力调用工具也不代表它必须拥有不受限制的自主权。AI工作流把任务做成有检查、有交接的流程AI工作流把模型、数据处理程序、检索、工具和人工操作组织成一个过程。例如确认分析口径 → 检查数据 → 计算指标 → 检索制度 → 生成建议 → 人工复核 → 输出报告工作流可以包含条件分支、循环和异常处理不等于一条只能从头走到尾的直线。它也可以嵌入Agent让Agent在某个环节内选择工具但不能随意跳过审批。因此“Agent更高级工作流更落后”是个误区。对于统计口径明确、审批要求严格的银行任务确定性的流程反而更容易检查和追责。二、银行实战从数据查询到报告交付三者怎样协作2026年8月CAIE专家徐杨为上海银行数据管理部开展Agent与RAG专题内训内容覆盖智能体架构、知识库构建、检索增强生成、工具调用及工作流设计。培训以“零售银行客户流失预警与策略优化”为案例演示从数据治理、业务数据查询、制度检索到分析报告生成的应用流程并强调权限控制、人工审批与结果校验。这是教学演示案例其价值在于把技术放进完整业务链条而不是只展示一次问答。沿着这条链路可以理解三类技术各自的职责。数据查询负责“发生了什么”制度检索负责“允许怎么做”客户交易、活跃度、产品持有情况等结构化数据通常需要通过受控的数据查询和计算获得服务政策、业务规则等文本材料则适合通过RAG检索。这两类证据不能混为一谈。查到一条客户服务制度并不能证明某位客户存在流失风险观察到客户交易下降也不能直接推出某项营销动作符合制度要求。更稳妥的报告应分别交代「数据事实」分析时间范围、指标口径、样本数量和异常情况。「分析判断」风险判断依据以及仍存在的不确定性。「制度依据」建议涉及的规则、适用条件与限制。「执行边界」哪些建议需要业务人员确认哪些操作需要审批。Agent可以协调工具但不能代替业务授权在这样的流程中Agent可以帮助选择查询工具、补查材料、组织分析结果。但“它会调用工具”与“它有权执行操作”是两回事。查询客户信息应受权限控制涉及业务动作的环节应设置审批关键数字和结论需要校验。即使报告顺利生成仍应检查它有没有混淆客户群体、统计周期或制度版本。对于数据项目最容易被忽略的不是模型能不能写而是「每一句结论能不能追溯到数据和规则」。三、CAIE相关内容要学到什么程度才有用CAIE的相关学习内容可以沿着“完成任务—开发项目—建设公共能力”来理解。与本文最直接相关的是一级的通用AI应用能力以及二级的企业AI项目实践。基础应用把任务描述清楚把结果检查到位CAIE一级定位为跨岗位的通用AI应用能力认证主要面向职场人和转岗人员。学习内容包括提示词、智能体、Skills及工作流等应用方法也强调结构化思维、流程思维和数据化思维。落实到一份客户分析报告学习者需要掌握的不只是“让AI分析一下”还包括确定分析对象、统计周期、指标口径和报告使用者。明确哪些资料交给模型哪些数据应由查询或计算工具处理。设计检查环节核对数字、结论与引用依据。让接手报告的人知道下一步可以做什么。一级框架关注的产出包括经营、市场与运营分析报告以及AI产品与业务流程自动化方案。对数据分析、运营或业务岗位而言这些内容的实际用途是把一次临时问答改造成能执行、能检查、能交接的任务。通过认证所体现的通用知识与场景判断能力仍需结合岗位专业知识使用。会让AI处理财务数据不等于已经理解财务口径会生成客户分析也不等于能够独立作出业务决策。企业工程从“能演示”走向“可验证”CAIE二级围绕企业AI项目实践包含数据工程与管理、大语言模型技术基础、企业大模型工程实践及AI项目管理等内容。其中企业大模型的四类工程实践占30%涵盖提示与智能体系统工程、RAG知识库工程、AI Agent工程以及大语言模型训练与微调工程。学习目标也随之变化不仅要使用工具还要逐步完成需求分析、方案设计、演示原型Demo与概念验证POC。能力环节基础应用更关注企业工程还要解决RAG能用资料辅助回答并核对依据文档解析、索引更新、检索评估、访问权限Agent能为任务配置合适工具工具接口、状态管理、失败恢复、操作边界工作流能拆解步骤并设置检查异常分支、执行记录、人工交接、持续运行数据能理解输入和指标数据标准、质量、安全及处理链路这些内容对应的是学习与考核框架中的能力方向不应把某个案例的演示效果直接当作持证人的项目交付证明。企业项目还需要用实际成果和测试记录来验证。四、做一个小项目比背三个定义更有效可以用公开或合成数据加上一份自拟业务规则做一个“客户活跃度分析助手”。练习不必连接真实客户系统更不要把敏感数据直接上传到未经批准的外部工具。给RAG设置一组“找得到、答得准”的测试准备几份带版本日期的规则文档设计一组测试问题并为每个问题标注应检索到的条款。记录系统是否找到正确内容回答是否引用了对应依据。测试中应加入“材料里没有答案”的问题。系统能否明确说明依据不足比它是否每次都能生成长答案更能检验可靠性。给Agent一个目标但限制可用工具只提供几个范围明确的工具例如查询汇总指标、读取规则、生成报告。观察它能否选择合适工具遇到缺失字段或工具报错时能否停止、重试或请求补充信息。不要只测顺利完成的路径。错误参数、空结果、权限不足才容易暴露系统边界。给工作流加入不能绕过的人工检查把“核对统计周期”“确认制度版本”“审批业务建议”做成明确节点。报告没有通过检查就不能进入后续环节。评价项目时可以记录检索命中情况、工具调用成功情况、端到端任务完成情况以及单次运行耗时和成本。各项指标要分开看检索正确不代表计算正确工具调用成功也不代表业务建议可用。如果使用历史数据测试流失预警还要按时间划分训练或分析所用数据避免把预测时点之后的信息混入输入。否则结果可能很好看却无法支持真实业务判断。五、按你的任务选学习路线而不是按名词追热点如果主要需求是查制度、读文档、整理材料可以从RAG应用开始重点练习资料组织、问题设计和答案核验。如果需要定期生成分析报告优先梳理AI工作流把数据获取、指标计算、模型写作和人工检查分开。流程稳定后再考虑是否需要Agent处理变化较多的步骤。如果希望开发企业AI应用就需要继续学习数据治理、接口开发、评估测试、权限控制和项目管理。CAIE二级涉及的RAG工程、Agent工程和数据工程内容可以作为理解这些能力的学习框架。「业务人员应先练好任务定义与验收开发人员应补齐数据、工具和运行边界项目负责人则要明确责任与交接。」一个小项目如果能说清数据来源、展示执行过程、复现测试结果通常比堆叠更多技术名词更有说服力。点击这里了解更多关于CAIE认证内容FAQ1. RAG和模型微调应该选哪个如果需求是让系统使用经常更新的制度、手册或内部资料通常可以先考虑RAG因为资料与模型参数分离更便于更新和追溯。微调更偏向通过训练调整模型在特定任务、格式或表达上的表现。两者可以结合但都需要测试不能只凭概念决定方案。2. 没有编程基础能学习Agent和AI工作流吗可以先通过可视化工具学习任务拆解、工具配置和人工审核。等到需要连接企业系统、处理复杂异常或持续部署时再补充编程与工程知识。能搭出原型与能维护生产系统是不同阶段的能力。3. CAIE一级和二级哪个与RAG、Agent更相关两级都涉及相关内容但深度不同。一级侧重业务人员使用智能体和工作流完成任务二级进一步涉及RAG知识库工程、AI Agent工程、数据工程与项目实践。选择时应看自己是希望改善日常工作还是参与应用开发与项目交付。4. RAG系统能不能直接完成准确的数值分析RAG适合检索分析所需的文本依据不应替代可靠的数值计算。金额汇总、比例计算、分组统计等任务宜交给数据库、脚本或其他计算工具再由模型解释结果。让模型“看着数据算”与通过工具完成可复核计算可靠性并不相同。