从传统RAG到知识编译：Agent检索为何需要新数据库

检索增强生成（RAG）曾是企业知识应用的主流方案，通过向量检索把外部资料注入大语言模型，以提升时效性、准确率并减少幻觉。但在生产环境中，文档分块、Embedding模型和相似度阈值都需要反复调整，检索结果仍可能混入无关内容，干扰模型推理。

为改善效果，业界陆续引入DeepDoc、复杂Chunker、混合搜索、GraphRAG、RAPTOR和Contextual Retrieval等方案。然而，系统的部署、调试与维护成本明显上升，效果提升却没有与复杂度同步。GraphRAG等方法只在部分多跳问答中有所改善，难以成为普适解。

2026年出现的两项讨论进一步动摇了传统RAG范式。Andrej Karpathy提出“LLM Wiki”，主张先用模型把原始笔记编译成持续更新、带有明确引用且可逐字阅读的知识库，而不是每次提问时临时拼接片段。PwC的研究则发现，给Agent同时提供向量搜索和Grep后，精确字符串匹配在许多任务中反而更准确；仅依赖字符串匹配的Agentic RAG，效果已接近LLM编译型Wiki。

这说明检索的重点正从单一的“查询—匹配—排序”转向由Harness统一编排多种工具。Grep尤其适合查找符号、文件路径、函数名、日期、错误信息和代码行等明确证据，而语义搜索更适合概念发现。OpenAI对GPT-5在BrowseComp-Plus上的分析显示，98%的会话使用了引号搜索，查询长度中位数超过人类用户第99百分位，表明Agent能够构造复杂而精确的检索条件。

但Harness加Grep仍有边界。数据规模扩大后，Agent必须反复搜索才能定位答案区域，IO操作会拉长响应时间，多轮结果不断进入上下文也会推高Token成本。Pinecone估算，Agent约85%的计算精力消耗在重新发现信息，而不是完成任务；传统RAG每次查询都从零开始，也缺少持续积累的状态和可追溯认知基座。

因此，知识编译并非要取代Search或Grep，而是为Harness提供更丰富、更压缩且可追溯的知识工件，把部分理解工作从查询阶段前移到索引阶段。微软的企业级AgenticRAG设计也指向类似方向：为负责决策和编排的Agent配备更丰富的搜索工具。面向这一需求，Agent Native Database的价值在于缩短探索路径，让Agent以更少迭代和更低Token消耗找到可靠答案。