RAG, MCP и агенты — три слоя архитектуры
RAG, MCP и агенты — три слоя архитектуры
Архитектору Разработчику АналитикуPlay ITЗагрузка интерактивного демо…
В продакшене на одной LLM редко останавливаются. Типичное приложение собирают из трёх паттернов, которые решают разные задачи и часто работают вместе. Схема в духе ByteByteGo — MCP, RAG and AI Agents удобна как "шпаргалка архитектора": что за что отвечает и куда смотреть в ТЗ.
| Слой | Паттерн | Вопрос, на который отвечает |
|---|---|---|
| Знания | RAG (Retrieval-Augmented Generation) | Откуда модель берёт факты о ваших документах и данных? |
| Подключения | MCP (Model Context Protocol) | Как модель единым способом достучится до API, БД и файлов? |
| Исполнение | AI-агент | Кто планирует шаги, вызывает инструменты и реагирует на результат? |
Три паттерна дополняют друг друга — RAG подмешивает текст в промпт, MCP стандартизирует доступ к внешнему миру, агент замыкает цикл "решение → действие → наблюдение". В семи слоях LLM-стека RAG и агенты сидят в основном на слое 4 (оркестрация); MCP — на стыке слоёв 4 и 6 (интеграция).
RAG — слой знаний
RAG — это дополнение генерации поиском — LLM получает не только вопрос пользователя, но и релевантные фрагменты из вашей базы знаний (PDF, wiki, тикеты, код, векторный индекс).
Задача RAG — ответы по внутренним материалам без дообучения всей модели на каждый новый документ. Модель остаётся "общей", а актуальные цитаты подставляются на время запроса.
Типичные источники в базе знаний:
- корпоративные PDF и Markdown;
- векторные БД (эмбеддинги чанков) — см. Векторные базы данных;
- репозитории кода и API-спеки;
- иногда — полнотекстовый поиск (Elasticsearch и аналоги) вместе с векторным.
Этапы внедрения (кратко): индексация и чанкинг → эмбеддинги → retriever по запросу → сборка промпта → генерация. Готовый шаблон system/user для RAG — Prompt engineering — библиотека промптов. Подробнее — в Генеративном ИИ, Работе с ИИ-моделями и Основах разработки ИИ-решений.
RAG читает и цитирует. Создание тикета, запись в Git или отправка письма — зона агента или отдельного orchestration-кода с вызовом API.
MCP — слой подключений
MCP — стандартный способ дать LLM доступ к инструментам и ресурсам через единый протокол. Хост (IDE, десктоп с Claude, корпоративный агент) подключает один или несколько MCP-серверов; каждый сервер объявляет, что можно прочитать (resources), вызвать (tools) и какие шаблоны промптов (prompts) доступны.
Примеры "серверов по буквам" из типовых схем:
| Сервер | Что даёт модели |
|---|---|
| A | REST и SaaS — issues, сообщения, календарь |
| B | SQL/NoSQL — выборки и отчёты по схеме с ограничениями |
| C | Файлы — чтение конфигов, логов, репозитория в песочнице |
MCP дополняет продуктовый REST: мобильное приложение по-прежнему ходит в ваш бэкенд; MCP-сервер может быть тонкой обёрткой с allow-list операций для агента. Сравнение с классическим API — в MCP и классический API; развёртывание и безопасность — в статье MCP-серверы.
AI-агент — слой исполнения
AI-агент (в смысле LLM-агента) — система, где модель принимает решения и выполняет действия — вызвать tool, перепланировать шаг, запомнить результат, повторить цикл. Это исполнительный слой поверх "голого" чата.
Характерные свойства:
| Свойство | Смысл |
|---|---|
| Автономность | Несколько шагов без ручного ввода на каждый вызов API |
| Память | Краткая (контекст) и долгая (векторное хранилище, профиль) |
| Инструменты | Function calling, MCP tools, выполнение кода в песочнице |
| Реактивность | Новое наблюдение меняет следующий шаг (ошибка SQL, пустой ответ API) |
Классическая таксономия агентов (рефлекс, модель среды, цели) — Типы интеллектуальных агентов. Практика LLM-агентов, ReAct, безопасность tool calls — Агенты искусственного интеллекта.
Как слои складываются в одном продукте
Типичный корпоративный copilot может выглядеть так:
- RAG подтягивает регламенты и фрагменты тикетов в промпт.
- MCP даёт агенту ограниченный доступ к Jira, Confluence и внутренней БД.
- Агент решает, нужен ли только ответ или цепочка действий ("создай черновик отчёта и приложи к задаче").
Поддержка по базе знаний — чаще достаточно RAG + низкая temperature (параметры генерации), без агента.
Автоматизация с побочными эффектами (запись в БД, деплой, платежи) — нужен агент с жёсткими политиками; RAG и MCP — его "глаза" и "руки".
IDE с Cursor / Claude Desktop — MCP подключает репозиторий и API; агентский цикл встроен в хост; RAG по проекту может быть частью индексации IDE или отдельным MCP-resource.
Что выбрать на старте
| Сценарий | Достаточно | Почему |
|---|---|---|
| FAQ по внутренней wiki | RAG | Нет действий во внешних системах |
| Чат с доступом к GitHub issues | MCP (+ простой промпт) | Нужны tools, мало автономии |
| "Собери отчёт и загрузи в SharePoint" | Агент + MCP (+ опционально RAG) | Многошаговый план и побочные эффекты |
| Классификация писем | Ни RAG, ни MCP, ни агент | Достаточно fine-tuned модели или правил |
Сначала RAG на качественных чанках и eval-наборе вопросов. Затем MCP с минимальным allow-list tools. Агент включайте, когда появляются сценарии с инструментами и принят риск-профиль (лимиты итераций, human-in-the-loop, Безопасность при работе с ИИ, Опасные скрипты).
Итоги
- RAG — runtime-знания из ваших документов и индексов.
- MCP — стандартизированные "розетки" для tools и ресурсов.
- AI-агент — цикл рассуждения и действий в среде.
Три паттерна описывают разные слои одной архитектуры; в зрелом продукте они часто соседствуют. Детали по каждому слою — в связанных статьях выше и в Семи слоях LLM-стека.