先记住这个答案
Augmented LLM 可以理解为带外部能力的语言模型基本构件。检索提供当前输入之外的相关信息，工具让系统查询或操作外部环境，记忆帮助保留并恢复跨轮需要的状态。这些能力可以由固定程序编排，也可以交给模型按任务选择；因此拥有检索和工具并不自动等于完整自主 Agent。工程上要分别明确信息来源、工具契约和状态寿命，再决定由谁控制执行流程。
- 检索补信息、工具执行能力、记忆延续状态，三者用途不同
- 增强能力可以服务固定工作流，也可以服务自主 Agent
- 外部内容是否可信、动作是否成功仍需独立检查
检索解决模型当前缺少什么信息
例如回答某项目的构建配置问题，相关文件比模型记忆中的通用默认值更能说明实际情况。检索应围绕任务获取必要片段，并保存文件路径、版本或来源，方便核查结论。把整个仓库塞进上下文不等于检索质量更好，噪声也会占用注意空间。
检索到的文字只是证据候选，可能过期、无关或包含不适用的操作指示。系统需要保留其来源和信任边界，不能因为内容被放进提示就自动提升为用户要求。答案中的重要判断仍应能追溯到相应材料。
工具与记忆解决不同问题
工具是能力入口，例如读取测试结果或执行一次受控检查。模型决定调用时仍需要符合参数和权限契约，工具返回也需要区分成功、失败和未完成。仅生成一段调用意图并不代表操作发生，更不能把模型文字里的成功当成真实结果。
记忆则关注哪些信息需要跨轮继续存在。例如当前排查的未完成步骤可以留在线程状态，经过确认的项目偏好可以存入适当范围的长期记录。两者应有不同的更新和失效规则；盲目记住所有对话，会把临时猜测和过期事实一起带到未来任务。
增强构件不规定谁负责流程
一个固定程序可以先检索说明，再调用模型生成答案，最后用规则检查引用。它使用了增强能力，但执行路径主要由代码预先确定。另一种系统由模型决定下一步查询什么、是否调用工具以及何时停止，才增加了更动态的控制。
选型时可从实际缺口出发：知识不够时先改善检索，需要实际操作时设计工具，长任务丢状态时补记忆。每增加一种能力都要验证其收益和失败方式，不能把接入数量当成系统智能程度。执行结果、成本和可恢复性比架构名称更能解释效果。
容易答错的地方
- 把记忆当成永远正确的事实库
- 记忆需要来源、范围和更新策略，用户偏好会变，工具观察也可能过期，读取后仍要判断适用性。排查“Augmented LLM 检索工具记忆三种增强能力”时还要核对输入、版本和执行顺序，并用反例确认修复后的边界。
- 接上工具就宣称实现自主 Agent
- 是否自主取决于流程中的决策权和反馈机制，而不是工具定义是否存在。排查“Augmented LLM 检索工具记忆三种增强能力”时还要核对输入、版本和执行顺序，并用反例确认修复后的边界。
面试官还会怎么问？
RAG 属于增强型 LLM 吗？
它通常通过检索为模型补充上下文，符合信息增强的思路；是否还具有动作工具、长期状态或自主循环，需要看具体实现。
工具返回可以直接写入长期记忆吗？
应先判断信息价值、稳定性、来源和保存范围。一次临时查询结果不一定值得长期保留。针对“Augmented LLM 检索工具记忆三种增强能力”，还应保留最小复现、预期结果和失败路径，避免只凭一次现象下结论。
这些能力一定要由模型选择使用吗？
不一定，固定程序可以负责调用与路由。把选择权交给模型是进一步的控制设计，需要评估收益和约束。
参考资料
示例用于理解所注明的运行环境与边界；延伸学习可结合原文中的更多案例。