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