做企业 AI 项目的人，几乎都会被这四个词绕晕：LLM、Agent、RAG、Skill。它们经常一起出现，却分属不同层次；有人把它们当成并列的技术选项，有人干脆混为一谈。这篇文章用一张分层图和一条完整工作流，把四者的说明与关联性讲清楚。
一、先给结论：一句话区分四者
LLM 提供「理解与生成」，RAG 提供「知识」，Skill 提供「操作」，Agent 提供「规划与执行」。
四者不是并列关系，而是分层协作：LLM 在最底层，RAG 和 Skill 是挂在它上面的两类能力，Agent 在最上层负责调度。下面逐层拆开。
二、分层理解：四者在架构中的位置
理解这张分层图，很多困惑会自然消解：RAG 和 Skill 不是 LLM 的替代品，而是它的补充；Agent 不是更聪明的 LLM，而是 LLM 之上的调度者。
三、逐个说明
1. LLM：大脑
LLM（Large Language Model，大语言模型）是整个体系的基础能力提供者。它负责：
- 理解自然语言指令；
- 进行推理与判断；
- 生成文本、代码、结构化数据。
但 LLM 有两个天然局限：不知道企业私有知识（训练时没学过），不能直接操作业务系统（只会生成文字）。RAG 和 Skill 正是为补这两个短板而生。
2. RAG：资料库
RAG（Retrieval-Augmented Generation，检索增强生成）解决的是「LLM 不知道」的问题。
- 在 LLM 回答前，先从企业知识库检索相关资料；
- 把检索结果作为上下文，交给 LLM 生成答案；
- 答案有来源、可追溯、可随知识更新。
一句话：RAG 是给 LLM 配的外挂资料库。
3. Skill：工具箱
Skill（技能）解决的是「LLM 不会做」的问题。
- 一个 Skill 就是一件封装好的具体能力：查订单、发邮件、算运费、生成报表；
- 单一职责、可复用、被动触发；
- 它把 LLM 从「只会说」升级为「能操作」。
一句话：Skill 是给 LLM 配的一只手。
4. Agent：执行者
Agent（智能体）解决的是「复杂任务没人自动完成」的问题。
- 它能理解一个可能模糊的目标；
- 自己拆解步骤、选择工具、执行、检查、重试；
- 把 RAG 和 Skill 当作下属能力来调度。
一句话：Agent 是大脑加手脚的调度中心。
四、四者对比表
| 维度 | LLM | RAG | Skill | Agent |
|---|---|---|---|---|
| 层次 | 基础层 | 知识层 | 能力层 | 执行层 |
| 核心作用 | 理解与生成 | 提供知识 | 执行操作 | 规划与调度 |
| 输入 | 提示词 | 用户问题 | 指令 + 参数 | 一个目标 |
| 输出 | 文本 / 结构化内容 | 有依据的答案 | 一次操作结果 | 完成的任务 |
| 是否自主规划 | 否 | 否 | 否 | 是 |
| 是否有记忆状态 | 仅上下文窗口 | 通常无 | 无 | 有 |
| 类比 | 大脑 | 资料库 | 工具箱 | 会干活的工人 |
五、关联性：它们如何协作
前面把四者拆开讲了。但真正理解它们，要看一起工作时的样子。
下面用一个真实场景，展示 LLM、RAG、Skill、Agent 如何各司其职。
一个场景：客户退款投诉怎么被自动处理
客服收到一条投诉：「订单三天没发货，我要退款」。
传统流程要人工做七步。在 AI 应用里，这七步由四个角色分工完成：
第一步，Agent 理解目标。读懂「退款投诉」，决定启动处理流程。
第二步，Agent 拆解任务。拆成：查政策 → 查订单 → 判断 → 执行 → 通知。
第三步，RAG 检索知识。从知识库找出最新退款条款。
第四步，Skill 调用接口。访问订单系统，拿到发货状态。
第五步，LLM 推理判断。综合政策与订单，判断是否符合退款条件。
第六步，Skill 执行操作。发起退款，发送通知。
第七步，Agent 检查结果。金额超限？转人工复核。
这里没有哪个角色是「主角」。Agent 负责指挥，LLM 负责思考，RAG 负责提供依据，Skill 负责动手执行。缺任何一环，流程都会断。
换个角度看：四者的「对话」
把这套协作想象成一场内部对话，会更直观：
这段「对话」揭示了一个关键点：Agent 是唯一贯穿全程的角色，其他三者都是它按需调用的资源。
三组关系，一次说清
关系一：LLM 是底座，RAG 和 Skill 是它的两只手。
LLM 有脑子，但不知道企业的事，所以需要 RAG 补上知识。LLM 有脑子，但动不了业务系统，所以需要 Skill 补上操作。没有 LLM，RAG 检索出来的资料没人消化，Skill 也不知道该何时调用。没有 RAG 和 Skill，LLM 只是个聪明的聊天窗口。
关系二：Agent 是调度者，RAG 和 Skill 是它的下属。
RAG 和 Skill 都不会自己启动，必须由 Agent 触发。Agent 决定什么时候查知识、什么时候调工具、什么时候停下来。换句话说：RAG 和 Skill 是能力，Agent 是使用能力的人。
关系三：LLM 同时服务于 Agent、RAG 和 Skill。
这一点常被忽略。Agent 用它做任务规划与结果判断。RAG 用它把检索结果组织成自然语言答案。Skill 用它做参数解析与结果解释。LLM 不是某一层的专属，而是贯穿整个体系的基础能力。
一张图看懂协作链路
读图要点：
Agent 在最上方，接收目标、输出结果。RAG、Skill、LLM 在下方，是被调用的资源。LLM 虽然列在同一排，但它是另外两者的底层支撑。三者共同支撑 Agent，而不是互相替代。
Agent 是导演，LLM 是演员的脑子，RAG 是剧本，Skill 是道具。导演决定戏怎么拍，但离不开脑子、剧本和道具。
理解这层关系，就能明白为什么企业做 AI 应用不能只买一个「更强的模型」。模型只是脑子，缺了调度、知识和工具，它依然干不成一件完整的事。
六、缺一不可：四种组合的效果差异
一个会聊天的模型。能答通用问题，但不知道企业知识，也不能操作任何系统。
一个会查资料的问答机器人。答案可信了，但依然只能「说」，不能「做」。
一个能操作的工具集。能力有了，但需要人工逐步触发，不会自己编排。
知识可信、操作可用、任务自动完成——这才是企业级 AI 应用的完整形态。
七、企业落地路径：按什么顺序搭
| 阶段 | 建设重点 | 目标 |
|---|---|---|
| 第一步 | LLM 选型 | 根据成本、合规、能力需求选择模型（公有云 / 私有化 / 混合） |
| 第二步 | RAG 建设 | 把企业知识治理好，让模型有据可依 |
| 第三步 | Skill 沉淀 | 把高频操作封装成可复用能力 |
| 第四步 | Agent 编排 | 在知识与工具都齐备后，让 Agent 自动完成任务 |
这个顺序不是教条，但符合一个务实原则：先让模型「知道」，再让它「会做」，最后让它「自己做完」。跳过前两步直接做 Agent，往往因为既没有可靠知识、也没有可用工具，最后只能停在 Demo 阶段。
八、常见误区
| 误区 | 实际情况 |
|---|---|
| RAG 是 Agent 的一种 | RAG 是知识能力，Agent 是执行主体，二者是调用关系 |
| 有了更强的 LLM 就不需要 RAG | 再强的 LLM 也不知道企业私有知识，RAG 不可替代 |
| Skill 就是 API | API 是技术形态，Skill 是面向 AI 调用的能力封装，包含提示词、参数约束与错误处理 |
| Agent 越自主越好 | 边界越清晰、人工兜底越完善，落地效果越可控 |
| 四个一起上才叫先进 | 分步建设更稳，按 LLM → RAG → Skill → Agent 顺序推进 |
九、一句话总结
LLM 是大脑，RAG 是资料库，Skill 是工具箱，Agent 是那个会自己查资料、自己拿工具、把活干完的人。
四者不是竞争关系，而是企业 AI 应用的四层拼图。理解它们的分层与协作，比争论「哪个更重要」有意义得多。
如果你正在规划 AI 项目，想判断该从哪一层入手，可以参考我们的《企业 AI 落地 SOP》，或直接和我们聊聊。
常见问题
Q1：LLM、Agent、RAG、Skill 是什么关系？
四者是分层协作关系：LLM 是底层的大脑，提供理解与生成能力；RAG 和 Skill 是挂在 LLM 上的两类能力，RAG 提供知识，Skill 提供操作；Agent 是上层执行者，负责规划、调用 RAG 与 Skill，把任务从头做到尾。
Q2：有了 LLM 为什么还需要 RAG 和 Skill？
LLM 只知道训练时学过的内容，不知道企业私有知识，也不能直接操作业务系统。RAG 解决「不知道」的问题，Skill 解决「不会做」的问题，两者把 LLM 从「会聊天」升级为「能干活」。
Q3：企业建设 AI 应用，应该从哪里开始？
务实路径是先明确 LLM 选型，再做 RAG 把知识治理好，接着沉淀 Skill 把高频操作封装成能力，最后上 Agent 做任务编排。跳过知识治理和工具沉淀直接做 Agent，往往只能停在 Demo 阶段。
姊妹篇推荐：《LLM、RAG、Skill、Agent、内部产品：五个概念的关系一篇讲清》——从「五层全景」视角补全这幅拼图（含企业内部产品的落地落点）；本文则侧重四者的协作流程、对比表与场景细节。
本文为技术科普整理，具体产品选型与建设路径需结合企业实际场景评估。想了解 AI 项目如何从试点走向见效，可阅读《FDE 写进部委文件解读》。