被廠商的 AI 術語淹沒?用「出差費怎麼報」一句話,看懂你公司的 AI 缺哪一塊
2026-11-13
江江教練
6
廠商的提案書上,LLM、RAG、AI Agent、MCP 四個詞並排成一張表,看起來像四個可以互相取代的選項,於是會議上最常問的是「哪個比較厲害、該買哪一個」。這個問題本身就問錯了。它們負責的是不同層的工作,而且會疊在一起用:LLM 是大腦,RAG 是大腦加一疊書,Agent 是大腦加一雙手,MCP 是神經系統。這篇用同一句提問「公司出差費怎麼報」貫穿四層,你會看到同一個問題在每一層得到什麼答案,也會看到公司卡住的地方可能不在模型:同一份資料散落著三個版本時,換模型不會解決問題。最後給一張自我檢查表,看你手上的 AI 缺書、缺手還是缺神經系統,以及補的順序:先補書,再補手。
AI 的術語難懂,有很大一部分是因為它們被平行列出來。LLM、RAG、AI Agent、MCP 放在同一張表裡,看起來像四種可以互相取代的工具,於是最常出現的問題就變成「所以哪個比較厲害」「我們該買哪一個」。
實際上它們負責的是不同層的工作,而且會疊在一起用。我看過一張用人體來比喻的圖,那個角度比較貼近實際情況:LLM 是大腦、RAG 是大腦加一疊書、AI Agent 是大腦加一雙手、MCP 是神經系統。部位不會互相取代,你不會問「大腦跟手哪個比較重要」,因為少了任何一個,能做的事都會少一塊。
這篇在講什麼
公司需要先辨認流程卡在哪一層能力,才能判斷該補資料、行動能力還是系統連接。用一句「公司出差費怎麼報」一路診斷資料、檢索、行動與系統連接,最後落在採購與補能力的先後順序。
適合誰
- 想在公司導入 AI,被廠商的術語清單淹沒,不知道該買哪一層的決策者
- 已經在用 ChatGPT 或 Claude,覺得哪裡卡住但說不出哪裡的主管
- 負責評估 AI 工具、管理內部文件與系統整合的 IT 與營運角色
本篇分享
- 一組四層對照,看任何 AI 產品的提案時,可以判斷它在講哪一層
- 一張自我檢查表,看公司手上的 AI 缺書、缺手,還是缺神經系統
- 一個補的順序建議,以及背後的理由
同一個問題,四層各自怎麼回答
為了讓差別看得出來,四段我都問同一句話:「公司出差費怎麼報?」

LLM 是大腦。就是 ChatGPT、Claude、Gemini 這些會講話的模型本體,你問它,它用訓練時記住的東西回答。問出差費怎麼報,它答:一般公司大多是憑發票核銷,通常要在期限內附上單據。答案不算錯,但它講的是通則。它不知道你們公司的差旅辦法寫什麼、期限是三天還是七天、要不要主管先簽。這一層的能力邊界很清楚:它只知道訓練資料裡有的東西,公司內部的文件、上週開會的決議、昨天改的規則,它都不知道。
RAG 是大腦加一疊書。在大腦旁邊放一疊書,你問問題的時候,系統先去書裡(公司的文件、資料庫)翻出相關段落,連同問題一起交給大腦,大腦看著資料回答。同一個問題,它答:依你們的差旅辦法,三天內附發票,超過五千元要主管先簽。差別是答案有出處,可以回頭查那份文件確認。
這一層要成立,前提是公司的資料本身找得到。同一份規則有三個版本散在信箱、雲端硬碟和某個人的電腦裡,翻書這個動作就會翻出互相矛盾的答案。查得準與否,很大一部分是在資料整理階段決定的,不是在檢索技術。
AI Agent 是大腦加一雙手。前面兩層都只會講話,Agent 這一層會動手:能開檔案、改檔案、跑指令、上網查、呼叫其他工具,而且記得剛才做過什麼,一步一步把事情做完。同一個問題,它答:查好了,報銷單我照差旅辦法填好了,要送出嗎?從「告訴你怎麼做」變成「做完給你看」。這一層的價值在它省掉的那段人工搬運:原本要自己開表單、複製貼上、核對格式,這些動作它可以接手。
MCP 是神經系統。Agent 要用工具,總得有個接法。以前每接一個新工具就要為它寫一套對接,接十個工具就寫十套。MCP 是一套統一的接口規格,一邊接 AI,一邊接表單系統、信箱、行事曆、資料庫。要回答出差費那句,它得碰到三個地方:差旅辦法的文件、報銷表單系統、簽核用的信箱,MCP 決定的是它用什麼方式碰到這三個地方。這一層讀者通常感覺不到,因為它不直接產出東西,它的影響出現在接第十一個工具的時候:你是照同一套規格接上去,還是又要從頭寫一套。
一個常見的誤解:MCP 統一的是「接法的規格」,不是「不用接」。每個工具那一端還是要有人先做好對接。它省掉的是「每換一個 AI 就要重寫一次」,不是「完全不用寫」。
有了後面那層,前面還是在跑
四個詞排成一列的時候,很像從左到右一路進化,好像有了後面的就可以丟掉前面的。實際上每一層都還在跑。Agent 要用到內部資料時,一樣得先查一輪,那一輪就是 RAG。MCP 只負責接線,線接上去之後,思考的還是 LLM、查資料的還是 RAG、動手的還是 Agent。每一層解決的問題不同,新出現的那一層不會順便把舊那層的問題也解掉。
四層不一定要疊滿。很多情況只用到前兩層就夠了:你要的就是一個看得懂自家資料、會回答問題的助理。當你希望它動手做完,而且要接上好幾個系統的時候,後兩層才會變成必要。
檢查公司手上的 AI 缺哪一塊
這組比喻最實用的地方,是可以拿來當診斷工具。下次覺得手上的 AI 好像不太行,先看是缺哪一塊。
]
最後一張卡最常被誤判。答案不準的時候,直覺反應通常是換一個更聰明的模型。但如果問題出在同一份資料有三個版本,換模型不會解決任何事。
補的順序,如果四層都缺,我會建議:先補書,把資料整理到 AI 查得到,而且查到的是對的版本;再補手,資料對了之後,才讓它動手做;神經系統等真的要接第三個工具再說,只接一兩個工具的時候,統一規格帶來的好處還不明顯。
順序的理由很簡單:手再快,拿到的資料是錯的,只是錯得比較快。一個會動手的 Agent 配上一疊過期文件,產出的是大量看起來很專業的錯誤,而且因為它動作快,你發現的時候通常已經錯了一整批。這是常見路徑,不是通則;如果公司現在卡住的地方本來就是工具接不起來、資料其實沒什麼問題,順序就會不一樣。
看廠商提案時,先問它在講哪一層
只講模型多聰明、跑分、參數量、又贏了哪個對手,那是在講大腦。強調用你自己的資料、上傳文件就能問、支援你的知識庫,那是在講書。強調自動完成與整合、幫你執行、一次接上所有工具,那是在講手與神經系統。
四層都有人在賣,而且都有它的位置。知道對方在賣哪一層,你才判斷得出來這東西補的是不是公司現在缺的那一塊。
先動的第一步
拿公司最常被問的一個內規問題,像出差費怎麼報、請假怎麼算、報價單怎麼核,去問現在手上的 AI。看它回的是通則、是有出處的答案、還是做完給你看。回到哪一層,就知道現在站在哪一層;再拿那份內規去數它在公司裡有幾個版本,版本數會露出一個可能的缺口。這是我整理的診斷法,先補哪一塊仍由你依現況判斷。
想找人一起盤?
我在做企業 AI 陪跑。公司想弄清楚 AI 卡在哪一層,或想從一條流程開始把 AI 用起來,可以先看企業陪跑怎麼進行,再決定要不要聊:
- 企業陪跑怎麼進行:https://jiangyude.com/#home-team
- 公司請 AI 顧問來陪跑,要叫全部人一起來學嗎?:https://jiangyude.com/articles/ai-adoption-start-with-one-workflow/
延伸閱讀
- 本文的官網完整版,含四層總圖:https://jiangyude.com/articles/llm-rag-agent-mcp/
- 資料越堆越多,AI 反而找不到怎麼辦?標籤連結法:https://jiangyude.com/articles/tag-wiki-method/
- 把資料丟給 AI,它其實沒有全部看完:RAG 的三種查法與怎麼選:https://jiangyude.com/articles/rag-three-retrieval-modes/
- AI Agent 怎麼幫我們直接操作軟體?:https://jiangyude.com/articles/how-ai-connects-software/