PRODUCT REFERENCE · 产品类型
RAG、Agent、Copilot、AI OS与AI中台：五类产品如何选择
五类名称描述的是不同的产品责任边界，不是从低到高的固定代际。企业应从用户、任务、知识、系统和治理要求出发选择，并允许多种形态在同一架构中组合。
先给结论
名称不是重点，系统承担什么责任才是重点
RAG负责从受控知识中找到证据并约束回答；Agent负责规划步骤、调用工具并推进任务；Copilot把AI放进用户正在使用的软件和工作上下文；AI中台向多个应用提供共享技术能力；AI OS进一步统一知识、智能任务、业务连接和运行治理。
这些形态可以叠加：一个Copilot可以调用RAG和Agent；多个Copilot与Agent可以共用AI中台；当知识、任务、连接、权限、评测和持续运营需要统一管理时，可以形成AI OS。
不要问哪一个名词更先进，要问谁使用、完成什么任务、依据什么知识、调用哪些系统、由谁审核，以及上线后谁持续负责。
五类产品的十维选型矩阵
下面不是技术高低排名，而是采购和架构设计时需要核对的责任边界。一个项目可以组合多种形态。
核心验收：召回 · 答案 · 引用
RAG系统｜知识证据
面向知识使用者，以问答和检索为入口；重点治理来源、版本、权限、召回、答案与引用。通常不直接承担复杂任务规划和高风险业务写入。
了解更多核心验收：任务完成 · 工具调用 · 安全停止
AI Agent平台｜多步骤任务
面向任务负责人，组合模型、工具、状态和人工节点；可执行受控业务动作，但必须具备权限、停止条件、审批、幂等、审计与回退。
了解更多核心验收：采用 · 效率 · 用户控制
AI Copilot｜岗位工作入口
嵌入用户正在使用的软件与上下文，由用户主导检索、分析、起草和确认；重点评价采用率、任务效率、上下文权限和人工确认。
了解更多核心验收：复用 · 治理 · 服务稳定
AI中台｜共享技术能力
面向多个应用和开发团队复用模型、知识、工具、身份、安全、评测和成本治理；是否写入业务系统由上层应用及其审批流程决定。
了解更多核心验收：端到端闭环 · 运行治理
AI OS｜跨业务运行治理
统一行业知识、智能任务、业务连接、权限、评测和持续运营，适合多个部门与流程形成闭环；不应为了名称先进而过度建设。
了解更多用六个问题完成初步选型
- 主要目标是可靠查询知识，还是跨步骤完成业务任务？
- 用户需要留在现有软件中工作，还是进入一个新的统一工作台？
- AI只读取信息，还是需要调用工具、触发审批或写入系统？
- 是一项应用，还是多个部门和应用共同复用模型、知识与工具？
- 是否需要统一身份、权限、证据、日志、评测、成本和版本治理？
- 知识、业务规则和系统接口上线后由谁更新、复核和运营？
常见组合与推荐起点
知识密集岗位
RAG＋Copilot
适合把可信知识直接放进办公、客服、研发、项目或运营岗位的日常界面。
复杂任务
RAG＋Agent
适合需要先查证据、再拆解步骤、调用工具并形成可审核结果的研究和业务任务。
受控执行
Agent＋确定性工作流
模型负责理解和建议，程序负责规则校验、审批、正式写入与异常恢复。
企业级复用
AI中台＋多应用
适合多个部门复用模型、知识、工具和评测，但各业务应用仍保持清晰责任边界。
完整运行体系
AI OS＋行业配置＋客户系统
适合知识、任务、数据、系统和持续运营需要统一治理的跨业务闭环。
出现这些信号，应重新审视选型
- 只有文件上传和聊天界面，却用AI OS名称扩大交付边界。
- 只有模型API网关，却把知识、工具、评测和业务闭环都写成已经具备的AI中台能力。
- 为了显得先进而堆叠多个Agent，却没有任务完成条件、权限、成本和停止机制。
- Copilot离开用户的真实软件与任务上下文，只剩一个孤立聊天窗口。
- RAG只展示几个预设问题，不验证版本冲突、权限、拒答和引用是否真正支持结论。
GCPI的产品判断原则
绿色碳汇规划院可以单独交付知识工程、RAG、Agent、Copilot或共享平台能力，但不会用更大的产品名称掩盖不完整的交付。只有可信知识、受控智能任务、真实业务接入、人工审核和持续运营形成闭环时，才按行业AI操作平台口径定义。
客户已有模型、知识库、中台或业务软件时，可以保留现有资产，重点补齐证据、权限、任务编排、连接器、评测和运营机制。具体功能、性能、周期与服务等级必须根据客户资料、系统和风险另行确认。
FAQ
常见问题
先把关键边界说清楚，才能让AI建设进入真实业务。
五类产品是否存在固定的技术代际关系？
不存在统一的代际标准。它们描述的是不同责任边界，可以独立存在，也可以组合。企业应按真实任务和治理范围选择，不应仅按名称判断先进程度。
已经有AI中台，还需要AI OS吗？
取决于中台是否已经承担行业知识、业务工作流、人工审核、运行状态和持续运营。若中台主要提供模型与开发能力，而客户需要跨系统完成可审核任务，仍可能需要在其上建设AI OS式的运行与治理层。
一个项目能否同时使用RAG、Agent和Copilot？
可以。RAG提供知识证据，Agent完成受控的多步骤任务，Copilot把能力嵌入用户工作界面；三者可以共享身份、权限、工具、评测和运营机制。
首期项目应该从哪一种形态开始？
通常从一项价值明确、资料可用、结果可验证的真实任务开始。若目标是可信查询可先做RAG；若需要推进多步骤任务再组合Agent；若用户必须留在现有软件中工作，则加入Copilot入口。
REFERENCES · 参考来源
定义与治理依据
参考来源用于解释公开技术概念和治理原则；GCPI的具体产品边界、交付范围与项目事实仍以本网站明确口径及客户项目文件为准。
- Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksLewis 等，NeurIPS 2020 · 2020 ↗
RAG原始研究论文，用于说明参数化模型与外部非参数知识结合的基本思想。
- Building effective agentsAnthropic · 2024 ↗
区分预定义工作流与由模型动态决定过程、工具使用的Agent。
- A practical guide to building agentsOpenAI · 2025 ↗
Agent场景判断、编排、工具与护栏的工程参考。
- Microsoft 365 Copilot architecture and how it worksMicrosoft Learn · 持续更新 ↗
用于说明工作上下文、权限继承、数据流和嵌入业务应用的Copilot模式。
- Artificial Intelligence Risk Management Framework (AI RMF 1.0)NIST · 2023 ↗
AI系统全生命周期可信与风险管理的公开框架。