MCP 與 RAG 功能定位差在哪？
下列何者最能正確說明 Model Context Protocol（MCP）與檢索增強生成（Retrieval-Augmented Generation, RAG）在功能定位上的主要差異？
題目直接問：Model Context Protocol（MCP）和 RAG（Retrieval-Augmented Generation）這兩個技術，在「功能定位」上的主要差異是什麼？
問你：MCP 與 RAG 在功能定位上的主要差異，下列哪個描述最正確？
一句話總結
MCP 讓模型與外部工具系統互動（執行操作），RAG 讓模型從外部知識庫搜尋資料後再生成回答：一個是「動作協定」，一個是「知識補充」。
先感受問題：同樣是「讓 AI 取得外部資訊」，差在哪？
假設你是「科技先鋒」軟體公司的 AI 產品經理，老闆要你建一個內部 AI 助理，能做兩件事：一是回答員工關於公司政策和產品手冊的問題，二是讓員工直接叫 AI 查資料庫、送 Email、建立工單。
第一件事（回答政策問題）：AI 模型訓練時沒有你公司的內部文件，要讓它回答準確，必須在問問題的時候同時提供相關的政策段落。這就是 RAG 在做的事，先「搜尋」出最相關的段落，再讓 AI 「生成」答案。
第二件事（查資料庫、送 Email）：這不是知識搜尋，而是要 AI 跟系統「互動」，執行動作。MCP 就是定義這個互動規格的標準協定，告訴 AI 說：「你想查資料庫，就用這個格式呼叫；你想送 Email，就用另一個格式呼叫。」
這就是為什麼 MCP 和 RAG 看起來都在「讓 AI 用外部資訊」，但本質截然不同。
沒搞清楚 MCP 與 RAG 定位，會踩哪些坑
- 把 RAG 當萬能擴充工具：以為 RAG 可以讓 AI「做任何事」，但 RAG 只是把文字資料餵進 AI，不能讓 AI 真的執行操作（送郵件、改資料庫）
- 以為 MCP 是知識搜尋：MCP 是一種通訊協定，規範 AI 如何和外部工具溝通，不是「搜尋文件」的工具
- 混淆兩者的使用場景：用 RAG 解決「AI 需要執行操作」的問題，結果 AI 只能輸出「你應該去做 X」，但沒辦法真的幫你做 X
- 認為兩者互斥：MCP 和 RAG 可以同時使用，讓 AI 既能查知識庫，又能執行外部系統操作
- 忽視 MCP 是「協定」這個本質：MCP 是 Anthropic 提出的標準，讓不同工具和 AI 模型之間有統一的溝通格式，類似 Web 世界的 HTTP 協定
用一個比喻記清楚 MCP 和 RAG 的差異
回到「科技先鋒」的 AI 助理：
RAG 是「去圖書館查資料再回答問題」。你問 AI「公司的年假政策是什麼」，RAG 系統先去搜尋員工手冊，找到「年假政策第三條」這個段落，把它附在你的問題旁邊，AI 讀了之後給你一個有根據的答案。RAG 的核心動作是：搜尋 → 補充知識 → 生成回答。
MCP 是「給 AI 一支萬能遙控器」。你叫 AI「幫我查一下王小明今天有沒有登入系統」，AI 透過 MCP 協定，用標準格式呼叫公司的登入紀錄 API，拿回結果，再告訴你。MCP 的核心動作是：定義協定 → 呼叫工具 → 取得操作結果。
兩者差別一句話：RAG 補充「知識」，MCP 執行「動作」。
這就是選項 B 講的：MCP 著重模型與外部工具或系統互動；RAG 著重補充模型知識來源。
技術版：MCP 與 RAG 的架構定位
RAG（Retrieval-Augmented Generation）的架構：RAG 系統通常包含三個組件：向量資料庫（儲存文件的語意嵌入）、檢索器（找出最相關段落）、生成模型（把段落和問題一起輸入，生成回答）。它的設計目標是在不重新訓練模型的情況下，讓模型能使用最新的、企業私有的文字資料。
MCP（Model Context Protocol）的架構：MCP 是由 Anthropic 於 2024 年提出的開放標準協定，定義了 AI 模型如何以標準化格式呼叫外部工具（Tools）。透過 MCP Server 和 MCP Client 的架構，AI 可以呼叫檔案系統、資料庫、API、瀏覽器等各種工具，不需要每個工具都寫自訂整合。
兩者可以同時使用：一個完整的 AI Agent 系統可以同時用 RAG（搜尋知識庫）和 MCP（執行外部操作）。例如：AI 先用 RAG 查到相關政策文件，再用 MCP 呼叫 HR 系統幫員工申請年假。
為什麼出題者要考這題：MCP 是 2024-2025 年 AI 應用的熱門新概念，與 RAG 同時出現在很多 AI 產品設計中。初級規劃師必須能區分這兩個工具的定位，才能在實務中正確選擇架構。
為什麼其他選項是錯的
AMCP 主要用於降低模型訓練成本；RAG 主要用於提升推論速度
把 MCP 定位成節省訓練費用的工具，把 RAG 定位成讓模型跑更快的工具。
MCP 跟模型訓練成本完全無關，它是執行期（runtime）的工具互動協定。RAG 也不是用來加速推論的，它的目的是補充知識，實際上因為多了搜尋步驟，推論過程會稍微變慢。這個選項完全搞錯兩者的定位。
對 MCP 和 RAG 完全陌生，只靠字面猜測的人。「Protocol 協定」聽起來很底層，就猜跟訓練有關；「Retrieval 檢索」感覺跟搜尋速度有關，就猜跟推論速度有關。
CRAG 必須依賴向量資料庫；MCP 不需任何外部整合
RAG 一定要用向量資料庫才能運作，MCP 則是完全獨立不需要外部系統。
RAG 的「檢索」步驟常用向量資料庫，但不是唯一方式，傳統關鍵字搜尋也可以做 RAG。更重要的是，MCP 的整個存在意義就是「讓 AI 整合外部系統」，說 MCP 不需任何外部整合是完全說反了。
對 RAG 有一點認識（知道向量資料庫）但對 MCP 完全不熟的人。前半句印象中好像對，就沒有認真檢驗後半句是否也正確。
DRAG 屬標準化通訊協議；MCP 屬資料搜索技術
把 RAG 說成是通訊協定，把 MCP 說成是搜尋技術。
這是把 MCP 和 RAG 的定義完全對調。RAG 是一種生成方法（先搜尋再生成），不是通訊協定；MCP 才是通訊協定。MCP 跟「資料搜索」沒有關係，它是工具互動的標準規格。
把名稱和定義對調的人。「Protocol」這個英文詞代表協定，MCP 才是協定；RAG 名稱裡有「Retrieval（檢索）」，聽起來跟搜尋更相關，但它的整體定位是「生成方法」而非「通訊協定」。
同個考點下次怎麼變形
企業要讓 AI 能查詢公司內部資料庫並生成報告，應該用 RAG 還是 MCP？
都是「取得外部資訊」，到底用哪個？
如果要「查詢資料庫」是指執行 SQL 或 API 呼叫，那是 MCP 的工作；如果內部資料庫存的是文件型知識，要讓 AI 搜尋相關段落輔助生成，那是 RAG。兩者也可以結合：MCP 呼叫資料庫 API 取資料，RAG 從文件庫取知識，最後一起生成完整報告。
RAG 的「R（Retrieval，檢索）」和「G（Generation，生成）」各做什麼？
RAG 三個字母各代表什麼動作？
R（Retrieval）：從知識庫搜尋出跟問題最相關的段落。A（Augmented）：把這些段落加進提示詞，「增強」輸入給模型的上下文。G（Generation）：模型根據增強後的提示詞生成答案。三步合起來就是「先查資料、再輔助生成」。
什麼情況下需要 MCP 而不是直接寫程式整合外部系統？
不用 MCP、直接寫 API 呼叫不就好了？
如果只整合一個工具，直接寫程式沒問題。MCP 的價值在於：當 AI Agent 要整合多個不同工具（資料庫、郵件、檔案、網頁）時，MCP 提供統一的標準格式，讓每個工具都用同一種方式接入，不用為每個工具寫不同的客製整合程式碼。
RAG 解決的核心問題是什麼？為什麼不直接重新訓練模型？
如果公司有很多內部文件，為什麼不直接把文件加進訓練資料，讓模型學起來？
重新訓練模型需要大量算力和時間，成本極高，而且每次文件更新都要重訓，不切實際。RAG 讓模型在不改變本體的情況下，透過「查詢時補充資料」的方式使用最新的外部知識，成本低且可以隨時更新知識庫。
MCP 和 Function Calling 有什麼關係？
OpenAI 的 Function Calling 也是讓 AI 呼叫外部工具，跟 MCP 是一樣的東西嗎？
Function Calling 是各家 AI 模型廠商（如 OpenAI）提供的功能，讓模型可以呼叫預先定義好的函式。MCP 是 Anthropic 提出的更上層的標準協定，目標是讓不同 AI 模型和不同工具之間有統一的溝通格式。MCP 的層次比 Function Calling 更高，試圖成為 AI 工具整合的通用標準。
想再往下看，這 5 個
- 檢索增強生成（Retrieval-Augmented Generation）先從外部知識庫搜尋相關段落再生成回答，著重「補充知識來源」，是本題與 MCP 功能定位差異的一端
- AI 代理（AI Agent）能自主規劃、呼叫工具、執行多步驟任務的 AI 系統，MCP 是 Agent 整合外部工具和系統的核心標準協定
- 向量資料庫（Vector Database）將文字轉換為語意向量並支援相似度搜尋，是 RAG 系統常用的知識庫儲存工具，但 RAG 不限於向量搜尋
- 函數呼叫（Function Calling）讓 LLM 以標準格式呼叫外部函式的機制，與 MCP 都是讓 AI 執行「動作」的技術，但 MCP 層次更高是跨廠商標準
- 提示工程（Prompt Engineering）設計輸入提示引導模型輸出，RAG 和 MCP 都會影響提示詞的組成方式，但各自在架構中扮演不同角色