做企业 AI 规划的人几乎都会被同一组词轰炸：LLM、RAG、Skill、Agent、内部产品。它们常常出现在同一场汇报、同一份方案里，却很少有人把关系讲清楚——于是「到底该先做什么、钱应该花在哪一层」成了最常见的困惑。其实这五个概念不是并列的技术选型，而是一套自下而上的完整结构：底座是智能，中间是知识与规范，上面是执行与落地。
一、五个概念，五句话
先把每个概念用一句话定位（每个词都可以点进对应的详解文章深入阅读）：
大语言模型，是整个结构的「智力底座」。它理解语言、生成内容、进行推理，但不知道你企业的私有信息，也不会自己动手做事。
检索增强生成，让模型「开卷考试」：先从企业知识库检索相关内容，再带着证据生成回答。管的是「知识」。
智能体技能，把某类任务的标准作业流程写成可复用的能力包，让智能体照章办事。管的是「流程」。
智能体，有规划、工具调用、记忆与反馈的执行系统。它是真正「干活」的那一层。
企业内部 AI 产品——知识助手、流程智能体、技能中台——把上面四层能力组装成员工日常使用的正式系统。
会说（LLM）→ 有据（RAG）→ 有章法（Skill）→ 会做（Agent）→ 规模化交付（内部产品）。
二、一个类比看懂五层协作：给企业请一位「数字员工」
把五层结构想象成公司给某岗位招了一位「数字员工」，每层技术各司其职：
- LLM = 他的大脑（智力）：聪明、见多识广，但刚来公司，不知道你们的业务细节；
- RAG = 他的资料室（知识）：把公司制度、产品文档、历史工单放进去，做事前先查资料，回答有依据；
- Skill = 他的 SOP 手册（流程）：每类任务怎么做、分几步、输出什么格式，都写在手册里，而不是每次自己即兴发挥；
- Agent = 他本人（执行）：接到目标后自己规划步骤、调用系统、动手完成任务，并对结果负责；
- 内部产品 = 他的岗位与建制（落地）：把他编进部门的业务流程里，配上权限、考核和协作关系，成为组织能力的一部分。
这个类比的实用之处在于：它解释了为什么很多企业买了大模型却没有效果——只招了「大脑」，没配「资料室」「手册」和「建制」。工程上，这正是行业里反复强调「模型 API 只是起点，平台与场景工程才是差异化」的原因。
三、两两关系逐个拆：四组最关键的关联
关系 1：LLM 与 RAG——「引擎」与「外挂知识」
RAG 不改变模型本身，而是在模型之外建一层知识检索：提问时先检索、后生成。所以升级知识不用重新训练模型，改索引就行。一句话：LLM 提供「怎么说话」，RAG 供给「说什么」——这也是企业数据合规上更稳妥的路径。
关系 2：RAG 与 Agent——「能力之一」与「执行主体」
两者不是同层竞争关系。Agent 是执行主体，RAG 是它可以调用的能力之一：Agent 接到任务后，需要查资料时发起检索，把结果用于下一步决策。行业里甚至出现了 Agentic RAG 的新形态——让智能体自主决定要不要检索、检索什么、要不要换个问法再查一次，把检索从固定流程变成自主决策。
关系 3：Agent 与 Skill——「员工」与「操作手册」
Agent 会干活，但不一定会「按你们的规矩」干活。Skill 把企业的标准动作固化下来，通过「描述即路由」机制，让 Agent 在匹配场景自动启用对应技能。没有 Skill 的 Agent，每次都在即兴发挥，质量不可控；配上 Skill 库，它就变成一个行为可预期、可审计、可复制的员工。
关系 4：四层能力与内部产品——「零件」与「整车」
对企业使用者而言，LLM、RAG、Skill、Agent 都是「零件」，他们真正接触的是产品形态：知识助手用它问答、流程智能体替它跑流程、技能中台帮它沉淀经验。产品化的意义在于：把技术能力变成有边界、有权限、有指标、可持续迭代的业务系统——从「技术能做什么」跨越到「业务用出了什么」。
四、三个最容易被混淆的点
- 把 RAG 和 Skill 当成同一种「喂资料」：RAG 喂的是知识（事实、制度、数据，回答「是什么」），Skill 喂的是流程（步骤、规范、标准动作，规定「怎么做」）。客户投诉场景里，「退换货政策条款」是 RAG 的知识，「投诉分级与响应时限的 SOP」是 Skill 的流程，两者配合使用；
- 把 Agent 等同于「加了提示词的 LLM」：分水岭在执行能力。LLM 输出文字，Agent 输出经过校验的完成结果——它要能调用工具、记住上下文、犯错后自我修正，这是一整套工程，不只是换一段提示词；
- 以为「先选模型」是第一步：五层结构里，LLM 只是最底层的通用能力，各家的差距在缩小。真正决定成败的是上面几层：知识治理（RAG）、流程沉淀（Skill）、场景工程（产品）。从场景与数据出发，自上而下规划、自下而上建设，比先选模型更不容易花冤枉钱。
常见问题
Q1：RAG 和 Agent 是什么关系？是同一层的技术吗？
不是同一层：RAG 管「知识供给」，Agent 管「任务执行」。RAG 让模型查得到企业的私有资料，Agent 围绕目标规划步骤、调用工具、完成任务。实际系统里，RAG 通常是 Agent 可调用的能力之一——Agent 在执行任务过程中按需发起检索，把查到的证据用于下一步决策。
Q2：有了大模型（LLM），还需要 Agent 吗？
需要，两者解决的问题不同。LLM 是语言智能引擎，负责理解与生成；Agent 是围绕目标自主执行的系统，在 LLM 之上增加了规划、工具调用、记忆与反馈闭环。简单说：LLM 会「说」，Agent 会「做」。只接一个模型 API，你得到的是问答能力；要完成任务、交付结果，需要 Agent 这一层。
Q3：RAG 和 Skill 都在「喂资料」，有什么区别？
喂的内容不同：RAG 喂的是「知识」——事实、制度、数据，回答「是什么」；Skill 喂的是「流程」——步骤、规范、标准动作，规定「怎么做」。举例：客户投诉处理场景中，「退换货政策条款」属于 RAG 管的知识，「投诉分级与响应时限的标准作业流程」属于 Skill 管的流程。两者通常配合出现。
这篇是系列的总纲，五个概念各有一篇详解可以深入：什么是 RAG、什么是 Agent Skills、什么是 AI Agent、企业内部 AI 产品怎么建；落地方法论见《企业 AI 落地 SOP》。另有姊妹篇《LLM、Agent、RAG、Skill 的说明与关联性：企业 AI 应用的完整拼图》从「四者协作流程与对比表」角度深入展开。