詳細解釋
將多個 AI 組件（模型、檢索器、工具、記憶）組合成複雜系統來解決問題，而非依賴單一模型，是當前 AI 應用的主流架構模式。
系統組成：
- 多模型：不同任務用不同模型（小模型路由、大模型生成）
- 檢索增強：RAG 系統連接外部知識
- 工具使用：計算器、API、數據庫的調用
- 記憶系統：長期存儲和檢索對話歷史
- 反思/驗證：自我檢查和錯誤修正機制
設計模式：
- 路由：根據查詢選擇最適合的處理路徑
- 並行：多個模型同時處理，結果融合
- 級聯：一個模型的輸出是下一個的輸入
- 循環：迭代改進直到滿足條件
代表系統：
- AlphaCode：多模型生成 + 測試過濾
- ChatGPT + Plugins：模型 + 各種工具
- Copilot：代碼模型 + 語義搜索 + 終端集成
- Perplexity：搜索 + 多模型回答 + 源追蹤
優勢：
- 模塊化：各組件獨立優化和替換
- 可靠性：單點故障不影響全局
- 成本：簡單任務用便宜組件
- 可擴展：容易添加新能力
挑戰：
- 複雜性：系統設計和調試更難
- 延遲：多組件串聯增加響應時間
- 錯誤傳播：一個組件的錯誤影響下游
- 優化困難：全局最優 vs 局部最優
與端到端模型的對比：
- 複合系統：靈活、可控、可解釋
- 端到端：簡潔、潛在更優化、黑盒
這是「實用 AI」的主流範式—— 不追求單一超級模型，而是組合最強組件。