从模型到应用：检索、工具、工作流与人工负责

能回答问题的应用通常不只有一个模型

小禾想让社员询问星纸体验日的安排。一个简单方案是把确认后的安排复制到对话里，让模型依据材料回答。稍完整的应用可能包含登录、资料存储、检索、模型、界面和操作记录。模型负责生成并不意味着它同时负责权限、保存和发布。把这些功能区分开，才能看见故障来自哪里：资料过时、检索遗漏、生成误读和界面展示错误，都可能造成最后答案不正确，不能统一归咎于模型不够聪明。

检索增强生成提供材料，但不修改模型权重

检索增强生成，英文Retrieval-Augmented Generation，简称RAG，通常先从允许访问的资料中寻找相关片段，再将片段与问题交给模型生成回答。它相当于在答题时递上参考材料，不是把每份资料重新训练进模型参数。优势是可以使用较新的内容并展示依据，限制是检索可能找错段落、漏掉条件，模型也可能曲解材料。存在来源引用不等于引用真正支持结论，仍需要打开原文检查。权限必须在资料访问层落实，不能靠一句提示词保护不该读取的文件。

工具调用意味着更多真实动作

AI应用可以连接计算器、文件查询或其他工具。计算器能帮助完成确定的算术，但错误的输入依然会产生错误的结果。若工具具有发送、改写或删除能力，输出就不只是文字建议，而会影响实际状态。初学者应先采用只读或模拟方式：模型提出建议，使用者核查后自行执行。不要通过提示词尝试绕过工具权限，也不要把允许查看一份文件理解为允许访问全部资料。能力与授权是两个必须分别满足的条件。

工作流不必使用自主智能体

工作流是按规定步骤组织任务，例如读取最新版安排、抽取事实、生成草稿、人工检查、批准发布。智能体，英文Agent，通常让系统依据目标选择下一步行动和工具。它适合需要一定动态决策的场景，但会增加状态管理、成本和出错路径。纸星手作社只需要稳定生成一份介绍，固定工作流通常更易检查。多个智能体彼此讨论也不保证结论正确，因为它们可能共享同一错误来源或相互放大未经验证的说法。

把六节知识整合成最小方案

小禾先定义任务为依据已确认安排回答普通问题；输入只包含虚构的活动资料，输出必须列出答案、依据和待确认项。采用手动提供资料或简单检索，不先做微调，也不开放自动发布。使用新编的正常问题、缺失问题和冲突问题测试，分别检查事实正确性与拒绝猜测表现。若无法确认，转交负责人。页面演示成功只说明这些样例能运行，不代表生产可用；还需检查权限、日志、更新和恢复流程。真正的成果是一套清楚的责任链，而不是一个看似万能的聊天框。