国资AI助手深度解析：2026年技术科普+原理剖析+面试考点

 传统RPA示例：基于固定规则的自动化（伪代码）
def process_invoice_rpa():
     步骤1：定位屏幕元素
    xpath = "//div[@class='invoice-number']/text()"
    invoice_num = get_element_by_xpath(xpath)
     步骤2：按固定规则处理
    if invoice_num.isdigit():
        send_to_approval(invoice_num)
    else:
        raise Exception("格式错误")

 极简Agent核心流程
class SimpleAgent:
    def __init__(self, llm):
        self.llm = llm   大模型作为大脑
        self.tools = {}   工具库
    
    def run(self, user_input):
         1. 感知：解析用户意图
        intent = self.parse_intent(user_input)
         2. 决策：规划行动步骤
        plan = self.llm.reason(user_input, self.tools)
         3. 执行：调用工具完成任务
        result = self.execute(plan)
        return result

 RAG核心流程伪代码
def rag_answer(question, knowledge_base):
     1. 检索：在知识库中找相关内容
    relevant_docs = vector_search(question, knowledge_base)
    
     2. 增强：将检索结果作为上下文
    augmented_prompt = f"""
    请基于以下资料回答问题：
    资料：{relevant_docs}
    问题：{question}
    """
    
     3. 生成：大模型基于上下文回答
    answer = llm.generate(augmented_prompt)
    return answer

┌─────────────────────────────────────────┐
│         Agent 层（智能行动层）            │  ← 自主决策、任务执行
├─────────────────────────────────────────┤
│          RAG 层（知识增强层）             │  ← 提供实时知识支撑
├─────────────────────────────────────────┤
│         LLM 层（基础能力层）              │  ← 理解与生成
└─────────────────────────────────────────┘

 安装依赖
 pip install chromadb sentence-transformers openai

import chromadb
from sentence_transformers import SentenceTransformer
import openai

 初始化Embedding模型
embedder = SentenceTransformer('BAAI/bge-small-zh-v1.5')

 模拟企业内部文档
documents = [
    "国资AI助手采用大模型技术，支持私有化部署。",
    "AI Agent可以自动调用API完成跨系统操作。",
    "RAG技术有效降低大模型的幻觉率。",
]

 创建向量数据库
client = chromadb.Client()
collection = client.create_collection("knowledge_base")

 将文档向量化并存储
for idx, doc in enumerate(documents):
    embedding = embedder.encode(doc).tolist()
    collection.add(ids=[str(idx)], embeddings=[embedding], documents=[doc])

class EnterpriseAgent:
    """企业级AI助手（结合RAG与工具调用）"""
    
    def __init__(self, llm_client, knowledge_collection, embedder):
        self.llm = llm_client
        self.kb = knowledge_collection
        self.embedder = embedder
    
    def retrieve_context(self, query, top_k=2):
        """RAG检索：从知识库中获取相关信息"""
        query_vec = self.embedder.encode(query).tolist()
        results = self.kb.query(query_embeddings=[query_vec], n_results=top_k)
        return results['documents'][0] if results['documents'] else []
    
    def call_tool(self, tool_name, params):
        """工具调用：模拟调用外部系统"""
        tools = {
            "query_database": lambda p: f"数据库查询结果: {p}",
            "send_notification": lambda p: f"已发送通知至{p['to']}"
        }
        return tools.get(tool_name, lambda p: "未知工具")(params)
    
    def run(self, user_input):
         步骤1：RAG检索，获取背景知识
        context = self.retrieve_context(user_input)
        
         步骤2：构建增强提示词
        prompt = f"""
        用户问题：{user_input}
        参考资料：{context}
        
        请判断是否需要调用工具。如需调用，输出工具名和参数。
        """
        
         步骤3：大模型决策
        response = self.llm.chat(prompt)
        
         步骤4：根据决策执行（工具调用或直接回答）
        return response

 初始化Agent
agent = EnterpriseAgent(llm_client, collection, embedder)

 执行查询
result = agent.run("国资AI助手如何处理私有化部署的安全问题？")
print(result)