RAG、MCP、Agent 在研发工具链中的位置
业务问题背景
第一季已经讲过 RAG、MCP 和 Agent 在企业 AI 应用中的位置。放到研发工具链里，它们的角色会发生变化：RAG 不再只是业务问答，MCP 不再只是连接外部工具，Agent 也不再只是自动执行任务。
在研发场景里，RAG 解决“AI 知道哪些项目事实”，MCP 解决“AI 能安全调用哪些工具”，Agent 解决“AI 如何按流程完成一组工程动作”。这三者结合得好，AI 能更像团队成员一样工作；结合不好，AI 会拿错知识、调错工具、执行错流程。
所以本篇重点不是重复概念，而是讲它们在研发工具链中的工程位置。
抽象实战场景
一个团队希望 AI 能辅助处理缺陷。理想流程是：AI 读取需求和设计，检索相关历史问题，定位代码路径，运行定向检查，提出修复方案，修改代码，执行验证，再生成交付说明。
这里面至少有三种能力：检索项目知识，调用代码仓库、测试命令和浏览器工具，按“问题 -> 证据 -> 修复 -> 验证 -> 沉淀”的流程推进。
如果没有 RAG，AI 只能靠当前上下文猜项目历史。如果没有 MCP 类工具连接，AI 只能建议你手动执行。如果没有 Agent 流程控制，多个动作之间就容易断裂。
核心架构观点
RAG、MCP、Agent 在研发工具链里分别对应三层能力。
RAG 是知识层，负责把项目规范、架构决策、接口契约、问题复盘和操作手册变成可检索上下文。
MCP 是工具层，负责让 AI 以受控方式读取文件、访问系统、执行命令、查询数据或操作浏览器。
Agent 是流程层，负责把目标拆成步骤，并在每一步调用知识和工具。
这三层不能混。把 RAG 当 Agent，会以为检索到知识就能自动完成任务；把 MCP 当权限通行证，会让 AI 过度访问；把 Agent 当自治工程师，会把责任边界交出去。
技术方案设计
研发工具链可以按“知识、工具、流程、验证”四层设计。
知识层需要维护可检索资料：工程规范、架构约束、接口契约、公共组件说明、环境说明、常见问题和复盘记录。
工具层需要定义可调用能力：文件读取、命令执行、浏览器验证、依赖查询、文档检索、代码搜索等。每类工具要有可用范围和风险级别。
流程层需要定义任务模板：需求拆解、开发实现、问题修复、代码评审、验证收口、复盘沉淀。
验证层需要把 Agent 的每一步结果落到证据：命令输出、测试结果、截图、接口响应、差异说明和未验证项。
底层原理剖析
RAG 的本质是把外部知识注入模型上下文，但检索结果不是事实本身，它只是候选证据。检索召回不全、排序不准、内容过期，都会影响 AI 判断。因此研发场景中的 RAG 必须带来源、版本和适用范围。
MCP 类机制的本质是工具协议，让模型可以通过标准方式连接外部能力。它的风险在于权限扩张。能调用工具，不代表应该调用；能读取信息，不代表可以进入上下文。
Agent 的本质是任务编排。它能拆步骤、调用工具、观察结果再继续。但工程任务里的很多判断需要责任归属，Agent 不能跳过人工确认处理高风险动作。
方案取舍与适用边界
RAG 适合解决知识分散、项目规范多、历史问题多、新人接手慢的问题。但如果知识本身没有维护，RAG 只是把混乱检索得更快。
MCP 适合连接受控工具，尤其是文档、仓库、浏览器、测试命令和内部平台。但工具越多，权限和审计越重要。
Agent 适合标准流程、重复流程和可验证流程，例如问题定位、定向修复、回归检查和交付说明。不适合直接接管高风险决策。
生产落地细节
先从小闭环做起，不要一上来让 Agent “自动完成所有开发”。
第一个闭环可以是问题定位：读取问题描述，检索相关文档，搜索代码路径，给出证据和排查计划。
第二个闭环可以是定向修复：在限定文件范围内修改，并执行指定验证。
第三个闭环可以是复盘沉淀：把问题、证据、修复、验证和防复发落点整理成团队资产。
每个闭环都要有退出条件：什么时候需要人工确认，什么时候停止执行，什么时候不能继续调用工具。
踩坑风险总结
第一个坑，是知识库不治理。过期规范、重复文档和冲突规则会让 RAG 变成误导源。
第二个坑，是工具权限过大。AI 能访问太多东西，会增加数据和操作风险。
第三个坑，是 Agent 流程太长。步骤越多，越容易在中间某一步偏离目标。
第四个坑，是缺少验证。Agent 完成了一串动作，不代表结果正确，必须有证据闭环。
可落地实践建议
给 RAG 建知识分层：项目规范、架构决策、接口契约、操作手册、问题复盘分别维护，不要混成一堆。
给 MCP 建工具分级：只读工具、低风险写工具、高风险操作工具分开授权。
给 Agent 建流程模板：每个模板明确输入、步骤、可调用工具、验证项、人工确认点和交付格式。
三者组合时，坚持一条规则：知识要有来源，工具要有边界，流程要有验证。
全文升华总结
RAG、MCP、Agent 放在研发工具链里，真正价值不是让 AI 更像一个万能助手，而是让 AI 在有知识、有工具、有流程的前提下受控工作。
知识解决“知道什么”，工具解决“能做什么”，流程解决“按什么顺序做”，验证解决“怎么证明做对了”。缺任何一层，AI 工程化都会变形。