一个会聊天的 AI，
为什么还需要资料和工具？

先给它资料，但别把“找到”当成“找对”

模型不能只凭自身保证掌握这门课最新、完整的安排。眼前的清单只能算候选答案。

现在给系统一个受控资料区：课程大纲、实验指导书和最新通知。成绩、同学名单、私人聊天以及未获授权的材料不在范围内。系统先做 检索＋，再把相关段落交给模型组织答案。这类“先检索、再生成”的方法通常称为 RAG＋。

“给 AI 一个资料柜”是有用的直觉，但文件可能过时，检索可能漏掉关键段落，两份通知也可能互相冲突。RAG 增加了可以回查的外部依据，不提供“答案一定正确”的保证。

再给它工具，但别把“请求”当成“执行”

清单确认后，学生希望把时间加入日历。这个动作会改变外部系统，光靠一段文字做不到。

在一种常见实现中，模型产生结构化请求；周边应用检查参数与权限，真正调用日历工具，再把执行结果返回。这叫 工具调用＋。

聊天窗口里的“已经添加”，只有得到真实工具回执并被人核对后，才算完成现实动作。参数不清、权限不足或执行失败时，人可以修改、重试或放弃。

任务继续变长，才需要谈 Agent

步骤事先固定的，可以只是工作流。如果系统围绕目标读取状态，让模型在限定范围内选择下一步、调用工具、接收反馈并继续或停止，就接近本书所说的 Agent 模式＋。

Agent 不是一颗更聪明、更有责任的模型。它是模型、资料、工具、流程、权限、反馈和人共同组成的系统模式。任务越长、权限越大，越需要范围限制、执行记录、失败处理和人工接管。

点击六步，把职责放回链上

这不是所有 AI 系统的唯一架构。有的任务不需要检索，有的只生成内容，有的步骤会并行或往返。