RAG vs AI Copilot vs Agentic Workflow:企業知識場景該用哪一種?

上季一家製造業客戶問我們一個看似簡單的問題:「我們要導入 RAG,還是 Copilot?」我反問他:你要解決的是『員工找不到答案』,還是『員工找到答案還要做三件事』?他愣了一下。這兩件事,根本不是同一層問題。

把 RAG、AI Copilot、Agentic Workflow 拿來三選一,是我們現場看過最常見的選型誤會。它們不是互斥的競品,而是疊在一起的三層架構:RAG 負責「讓 AI 讀懂你的知識」,Copilot 負責「把答案送到人手邊」,Agentic Workflow 負責「讓 AI 自己把事情做完」。搞懂 RAG vs Copilot vs Agentic 的分層關係,選型就不再是二選一,而是「這個場景要疊到第幾層」。

RAG:知識的地基,不是應用

RAG(檢索增強生成)是一種技術層。它做的事很單純:在模型回答前,先去你的內部文件、資料庫、工單系統裡撈出相關片段,塞進上下文,讓模型的回答有依據、可溯源。

RAG 本身不是一個「產品」。它沒有介面、沒有工作流,它是地基。當你的問題是「答案散落在 PDF、Confluence、ERP,員工每次都要問三個人」,你需要的核心就是 RAG。但只有 RAG,員工還是得自己開一個問答視窗去查——地基蓋好了,樓還沒蓋。

AI Copilot:把答案送到人正在做事的地方

Copilot 是應用層。它把 RAG 撈出來的知識,包裝成一個「坐在你旁邊」的助手,嵌進員工已經在用的工具裡:CRM 的側欄、客服後台、IDE、文件編輯器。

Copilot 的關鍵字是「輔助」。它建議、它草擬、它回答,但最後一哩由人拍板。適合的場景是:決策責任必須留在人身上、每次情境差異大、需要人的判斷力。客服回覆、業務提案初稿、合約條款查詢,都是 Copilot 的主場。它幾乎一定內建 RAG——沒有你的知識,Copilot 只是一個通用聊天框。

Agentic Workflow:讓 AI 自己把流程跑完

Agentic 是自動化層,也是最上層。它不只回答,它行動:自己拆解任務、呼叫工具、跨系統操作、多步驟執行,中間不需要人一步步點。

它適合的是「規則清楚、重複、可驗證」的流程。發票對帳、工單分類與派發、每月報表彙整、資料跨系統搬運。這裡要誠實講一個我們踩過的雷:Agentic 的價值和風險成正比。它能自動做完,也能自動做錯,而且錯得比人快、比人多。所以我們上線 Agentic 前,一定先要求「每一步可觀測、可回溯、關鍵節點可人工攔截」。沒有這層護欄,自動化就是放大器,放大的可能是效率,也可能是災難。

對照表:什麼問題,疊到第幾層

這張表想傳達的重點只有一個:層次是往上疊的,不是往旁邊換的。多數企業真正需要的,是「RAG 打底,Copilot 覆蓋八成日常,Agentic 收攏那些真正重複無腦的長尾流程」。

選型最常見的三個誤判

第一,把 RAG 當終點。地基蓋完就以為完工,結果員工還是懶得開那個問答視窗,使用率上不去。RAG 幾乎都需要 Copilot 或 Agentic 當載體,才會真的被用。

第二,一步跳到 Agentic。看到 demo 裡 agent 自己把事情做完很興奮,就想全面自動化,忽略了自家流程其實規則不清、例外一堆。Agentic 只在「流程本身夠成熟」時才成立。

第三,用 Agentic 去處理該由人負責的決策。金融核貸、醫療判讀、法遵審查,這些場景的正確做法是 Copilot 到頂——AI 給依據,人簽名。把責任交給 agent,是把合規風險自動化。

回到那家製造業客戶。我們最後給的方案不是 RAG 或 Copilot 二選一,而是三層都上:RAG 打通他們的技術文件與工單、Copilot 進駐現場工程師的維修介面、Agentic 接手每天固定的工單分類。三個月後實際使用率四成七,不是因為模型多強,是因為每一層都對準了對的問題。

在 Tenten,我們做選型時從不先問「你要哪個技術」,而是先拆「你的問題卡在哪一層」——因為 demo 上三層都很漂亮,但上線後有人天天在用的,永遠是那個對準真實痛點的組合。