Skip to content

从 grep 到 Embedding:AI Agent 知识检索的架构分界线

Published: at 12:00 PM

从 grep 到 Embedding:AI Agent 知识检索的架构分界线

研究截止日期:2026 年 11 月 17 日

本地使用 VS Code Copilot、Pi、Claude Code 这一类 AI Agent 时,很多知识获取任务并不需要 RAG。Agent 可以先用 glob 找文件,再用 grep 搜索术语或正则表达式,接着用 find、bash、head、tail 和文件读取逐步缩小范围。它不是一次性把整个目录塞进上下文,而是边探索、边读取、边修正搜索方向。

这套方式简单、透明,而且经常足够好。问题在于,很多知识库项目从一开始就把 Embedding、向量数据库、RAG Pipeline 当成默认配置,反而没有先回答一个更基础的问题:当前检索到底遇到了什么无法通过文件系统和文本搜索解决的问题?

我的判断是:不要按文档数量决定是否上 Embedding,也不要按数据量决定是否上 OpenSearch。应该按查询任务的失败模式决定。 而且,在判断 Embedding 之前,必须先把 LLM 的 Query Understanding、Query Decomposition 和 Query Expansion 算进去。用户用自然语言提出问题,并不意味着只能把原句交给 grep;Agent 可以把问题拆成多个概念维度,生成同义词、缩写、中英文表达、实体和子问题,再执行多轮词法或结构化检索。只有当这套动态检索仍存在可测量的语义召回缺口,或运行时探索无法满足延迟、并发和治理要求时,才需要进一步引入索引。Embedding 不等于 OpenSearch,全文检索也不等于向量检索。

1. 为什么 grep / glob / find 已经能做很多事

先看一个常见的本地开发任务:

找出这个项目里所有处理用户身份认证的逻辑,说明登录、Token 校验和权限判断分别在哪里实现,以及它们之间的调用关系。

Agent 并不一定需要一个向量索引。它可以从项目入口和目录结构开始:

find . -maxdepth 3 -type f
rg -n -i "auth|authenticate|authorization|token|session" .
rg -n "verifyToken|checkPermission|requireAuth" src test

随后读取候选文件、沿着函数调用关系继续搜索,必要时查看配置、测试和 Git 历史。搜索结果不够好时,它可以换关键词、扩大目录、追踪引用,直到形成一份有源文件依据的解释。

这不是传统意义上一次查询、一次返回 Top-K 文档的 RAG。它更像一个会使用工具的研究者:提出假设、执行搜索、检查证据、调整假设。检索过程本身是 Agent 的推理循环。

Anthropic 在 2025 年的 Effective context engineering for AI agents 中专门讨论了这一变化:很多 AI 应用过去会在推理前通过 Embedding 预先检索上下文,而 Agentic Search 可以保留文件路径、查询、链接等轻量引用,在需要时通过工具动态加载内容。文章以 Claude Code 为例,说明 Agent 可以用 Bash、glob、grep 等原语按需探索;同时也明确指出,运行时探索会比预计算检索慢,Agent 还需要合适的工具和搜索启发式,否则可能浪费上下文、走入死胡同。Anthropic 给出的方向不是“永远不用索引”,而是根据任务选择自主探索与预取上下文的边界。

这和工具的实际设计相符。Pi 的 CLI 文档 将 read、bash、grep、find、ls 作为内置工具;VS Code Copilot 则同时提供文本搜索、Grep、文件名搜索、符号引用和语义搜索。Copilot 的文档也说明,Grep 不需要索引,而语义搜索需要工作区索引。换句话说,即使是提供语义索引的产品,也没有把精确文本搜索淘汰掉。

参考:Pi CLI Tools;VS Code:How Copilot understands your workspace。

1.1 Agentic Search 的优势来自渐进式发现

文件系统不仅存放内容,也保存了有用的组织信息。目录层次、文件名、扩展名、时间戳、Git 历史、模块边界和相邻文件,都是检索线索。

例如,src/auth/token.ts、tests/auth/token.test.ts、docs/security/token-lifecycle.md 即使没有被 Embedding 模型编码,也已经通过路径和命名表达了部分语义。Agent 可以先找到实现,再读测试和文档,逐层构建理解。

这种方式有几个很实际的特点:

1.2 但它不是免费的

Agentic Search 把一部分检索工作从离线索引阶段移到了每次任务的运行时。

一次复杂探索可能包含十几次工具调用。每次调用都可能产生延迟、消耗 Token,并把搜索结果带入上下文。更重要的是,Agent 的搜索策略不一定稳定:同一个问题,模型可能选用不同关键词、搜索不同目录,甚至遗漏一个重要文件。

VS Code Copilot 的工作区文档明确提醒:Grep 或文本搜索返回的匹配内容可能直接进入对话上下文,即使 Agent 没有打开对应文件。生成文件、构建产物、日志和大数据文件会造成噪声,因此排除规则会直接影响搜索速度、相关性和 Token 消耗。

因此,Agentic Search 的主要成本不只是 grep 执行时间,而是:

任务总成本 =
  工具调用延迟
  + 搜索结果进入上下文的 Token
  + Agent 反复探索的推理成本
  + 搜索遗漏和错误理解的返工成本

当这些成本仍然低于建立、维护和调用索引的成本时,就没有必要为了“架构完整”而引入 RAG。

2. 真正的分界线:查询任务,而不是文档规模

把检索任务拆开看,会更容易判断。

查询任务典型问题优先方案
已知实体或术语找到 payment_status 在哪里定义grep / 精确文本搜索
已知文件或路径模式找到所有 ADR、配置文件、测试文件glob / find
已知代码符号谁调用了这个函数,在哪里实现LSP / Symbol / AST 索引
结构化属性过滤找出 2024 年之后、某业务域、某状态的文档SQL / 元数据过滤
词汇不一致用户说“客户退出”,文档写的是“关系终止”LLM Query Expansion + 多路词法检索;验证后再考虑 Embedding
自然语言语义发现不知道术语,只能描述一个业务现象Semantic Search / Embedding
大规模跨来源检索同时搜索 Wiki、SharePoint、邮件、工单和文件库统一检索层或联邦检索
高并发、低延迟检索每个 Agent 请求都要稳定地检索大量内容预计算索引
多模态内容检索按图片、图表或扫描件的内容找资料OCR / 多模态 Embedding / 专用索引

有一个容易被忽略的区别:代码搜索和企业知识搜索的难点并不完全相同。

代码有大量稳定的结构信号:符号名、调用关系、import、类型、文件路径和测试关系。即使用户提出的是自然语言问题,Agent 也可以先把问题转成候选符号或代码概念,再通过 LSP、AST、grep 和文件读取验证。单纯的向量检索未必能准确回答“这个函数有哪些调用方”或“哪个实现覆盖了这个接口”。

企业文档则经常缺少统一的命名和结构。一个业务概念可能在政策文件中叫“客户关系终止”,在操作手册中叫“账户关闭”,在邮件中写成“客户退出流程”。如果用户不知道文档采用的词,精确搜索就可能漏掉内容。这才是语义检索更有价值的地方。

3. Decision Tree:从最简单的检索开始

下面这棵决策树针对的是“如何为 Agent 选择知识检索方式”,不是“是否要部署某个数据库”。

图:先由 LLM 做查询理解与分解,再运行 Agentic Search;只有经过诊断、迭代后仍存在语义召回缺口,才试点 Embedding。单独打开图表。

这棵树的几个关键判断值得展开。

3.1 能精确定位,就不要先做语义检索

如果问题包含明确的代码符号、配置项、错误码、产品 ID、客户 ID、文档编号或法规条款号,优先使用精确检索。

例如:

这些任务不需要 Embedding。对于最后一个问题,文件元数据或 SQL 过滤比向量搜索更自然。

不要为了统一架构而把所有查询都转成向量。向量相似度不是精确匹配的替代品。

3.2 LLM 可以先把自然语言问题变成一组检索任务

这里需要明确纠正一个容易产生误导的说法:“用户不知道应该枚举哪些关键词”并不等于“用户需要 Embedding”。

LLM 本身就可以承担 Query Understanding 和 Query Expansion。它理解用户的真实意图后,可以把一个宽泛的问题分解为若干概念维度,再为每个维度生成适合不同检索工具的查询表达。换句话说,Agent 不必把用户原句原封不动地交给 grep。

例如,用户问:

找出所有讨论客户资产在市场剧烈波动期间如何保持流动性的材料。

Agent 可以先生成一个结构化的查询计划:

概念维度词法查询变体可能的检索方式
现金管理现金缓冲、现金储备、Cash Buffer、Cash Reservegrep / BM25
流动性风险流动性风险、Liquidity Risk、Liquidity Managementgrep / BM25
资产变现资产变现能力、可变现资产、Asset Liquidationgrep / BM25
赎回压力赎回压力、赎回风险、Redemption Pressuregrep / BM25
市场压力市场压力、极端市场、Market Stress、Stress Scenariogrep / BM25
监管口径流动性覆盖率、LCR、Liquidity Coverage Ratiogrep / BM25
相关业务实体客户资产、客户组合、投资组合、Client Assets、Portfoliogrep / 元数据过滤

随后 Agent 可以并行或分批执行这些查询,合并、去重结果,读取候选文档,再根据命中情况决定下一轮搜索方向。例如,若命中材料集中在赎回管理,却没有覆盖资产变现和现金储备,Agent 可以补充查询;如果文档中出现新的业务术语,也可以把它加入下一轮搜索计划。

一个合理的运行时流程是:

User Question
     |
LLM: intent + entities + concepts + constraints
     |
Query Decomposition / Expansion
     |
     +--> lexical queries (grep / BM25)
     +--> metadata filters (SQL / API)
     +--> structural queries (LSP / graph / relationships)
     |
Merge + Deduplicate + Read Evidence
     |
Coverage Check / Relevance Feedback
     |
     +--> enough evidence: answer with sources
     +--> gaps remain: generate targeted follow-up queries

这就是 Agentic Search 与传统“一次查询、一次 Top-K 召回”的重要区别:查询计划可以在运行时生成,也可以根据真实命中结果不断修正。LLM 不只是搜索框前面的自然语言接口,它还可以成为检索策略的规划器。

3.3 那么,LLM Query Expansion 为什么仍然不总是够用?

既然 LLM 可以生成同义词、子问题和多轮查询,Embedding 的价值就不能再被描述成“用户不知道该用什么关键词”。更准确的边界是:LLM Query Expansion 只能检索它生成出来的表达;Embedding 提供了另一种不依赖显式词面重合的匹配信号。两者可以互补,而不是二选一。

Query Expansion 的局限主要有几类:

  1. 生成覆盖不是穷尽覆盖。 LLM 生成的是有限数量的候选词和子问题。它可能漏掉某个文档集合内部才使用的术语、历史缩写、团队黑话、特定供应商字段名,或者某个业务概念的非显然表达。
  2. 模型知识不等于语料知识。 模型可以知道一般金融领域的“流动性管理”,却未必知道某家机构内部把同一类流程命名为某个项目代号或操作简称。没有语料反馈时,生成的查询可能听起来合理,却没有命中目标语料的实际表达。
  3. 词法检索仍然需要词面交集。 即使查询扩展得很好,如果文档用一段上下文描述某种风险机制,却没有出现生成的关键词,grep / BM25 仍可能找不到它。多轮搜索能缓解,但不能保证覆盖所有隐含表达。
  4. 查询越多,噪声也越多。 把十几个相关词全部 OR 在一起,可能扩大召回,也可能引入大量主题相近但并不回答问题的材料。多路查询需要独立执行、保留查询来源,并在合并时控制重复和主题漂移。
  5. 每次请求都要付出推理成本。 动态生成查询、执行多轮工具调用、读取结果和判断覆盖,都发生在请求时。高频、并发、低延迟场景可能更适合预先构建索引,而不是每次都让 Agent 从头探索。

这不是说 Query Expansion 不可靠、Embedding 就天然可靠。研究结果反而提醒我们,查询扩展也需要评估。EMNLP 2024 的一项研究探索了 LLM 生成多个伪参考文本并融合查询的方式,发现它可以改善稀疏和稠密检索,但原始查询与扩展内容的权重平衡很重要。另一项跨数据集研究发现,扩展对较弱的检索器更可能有帮助,而对本来表现较强的检索器可能引入噪声、损害排序。也就是说,扩展并非越多越好。

参考:Exploring the Best Practices of Query Expansion with Large Language Models (EMNLP Findings 2024);When do Generative Query and Document Expansions Fail? (EACL Findings 2024)。

3.4 更准确的 Embedding 触发条件

Embedding 应该在以下情况中通过对照实验争取自己的位置:

即使触发了这些条件,也不意味着要放弃 Agentic Search。可以保留 LLM 查询分解,再并行执行 BM25 和 Vector Search,融合结果后由 Agent 阅读原文、验证证据。

因此更准确的判断不是“用户不知道关键词,就用 Embedding”,而是:

先让 LLM 尽可能把问题变成可执行的检索计划;如果词法与结构化检索在真实语料上仍有稳定的语义召回缺口,再用 Embedding 补足。

4. 不要把 Embedding、向量数据库和 OpenSearch 当成一个决策

这三个东西解决的问题不同。

Embedding 是表示方式。 它把文本、图片或其他内容编码成向量,使系统可以按相似度进行检索。它本身不负责文档管理、权限、全文检索、过滤、排序或服务治理。

向量存储和索引负责保存、组织和查询向量。 小规模场景可以从 PostgreSQL + pgvector 等现有数据库能力开始,不必立即部署独立向量数据库。数据规模、并发、索引维护和性能要求确实超出当前数据库能力时,再评估专用服务。

OpenSearch 是搜索与分析引擎。 它可以做倒排索引和 BM25 全文检索,也可以通过 k-NN 等能力做向量搜索,还支持把词法和语义结果合并为 Hybrid Search。OpenSearch 文档将这几种能力明确区分:向量检索、语义检索、混合检索、Reranking 和 RAG 并不是同一个功能。

参考:OpenSearch Vector Search Concepts;OpenSearch Hybrid Search。

4.1 先判断需要哪一层

真实需求需要考虑的能力不应直接推导出的结论
找到精确词项、错误码、实体编号倒排索引 / BM25不代表需要 Embedding
找到语义相近的段落Embedding + Vector Search不代表需要 OpenSearch
同时命中精确术语和语义表达Hybrid Search不代表一定需要独立向量数据库
按日期、业务域、文档状态、权限过滤Metadata / Structured Filter / ACL不应把过滤逻辑交给向量相似度
多来源统一搜索、高并发、稳定 SLA集中式检索服务与索引平台不代表所有数据都必须向量化
精确检索初筛后提高语义相关性Reranker不代表需要对整个语料做复杂 RAG

特别要注意:如果系统的问题是“搜索多个数据源很慢”,引入 Embedding 未必有用。真正需要的可能是连接器、增量同步、统一元数据、缓存或并行查询。如果问题是“用户没有权限的文档也被召回”,需要修复的是检索前的权限过滤和数据授权边界,不是换一个向量数据库。

纯 BM25 对精确词项、专有名词、编号和短语通常很有效;纯向量检索更适合表达方式不同但含义相近的查询。两者有不同的召回偏好。

金融领域的查询尤其容易同时包含两种信息:

找到关于“集中度风险”的政策要求,并确认规则 INV-042 对单一发行人的限制。

“集中度风险”适合语义发现;INV-042 和“单一发行人”则需要精确匹配。只用向量可能错过编号和关键条款,只用关键词又可能错过用“issuer exposure”或“single-name exposure”表达的材料。

Hybrid Search 将两种结果合并,再根据需要做 Reranking。OpenSearch 提供基于分数归一化或 Reciprocal Rank Fusion(RRF)的混合结果处理方式。选择哪种方式应由相关性评估决定,而不是默认把所有分数相加。

5. 用数据判断是否应该升级

架构决策不能只靠“Agent 感觉搜索不方便”。建议先建立一个小型 Retrieval Evaluation Dataset,记录真实问题、预期相关文档、权限范围和答案所需的证据片段。

不需要一开始准备几千条。可以先从 30—100 个真实问题开始,覆盖精确查找、语义发现、跨文档关系、时间过滤、权限过滤和多轮探索。重要的是问题来自真实工作,而不是人为设计成向量检索擅长的样子。

对每个问题,至少比较两种实现:

  1. 当前 Agentic Search:文件系统、grep、元数据查询、结构化工具。
  2. 候选索引方案:BM25、Embedding 或 Hybrid Search。

记录以下指标:

指标要回答的问题观察重点
Recall@K前 K 条结果中是否包含真正需要的证据?漏掉关键文档的比例
Precision@K返回的结果中有多少真正相关?噪声是否过多
MRR / nDCG重要证据是否排在前面?Agent 是否需要反复翻找
Task Success RateAgent 最终是否正确完成任务?检索是否真正影响业务结果
Time to Evidence从提问到找到可用证据需要多久?包括 Agent 探索和索引查询
Token / Tool Calls为检索消耗多少上下文和工具调用?是否出现重复搜索
Freshness Lag新增或修改内容多久能被查到?索引同步延迟
ACL Correctness是否只返回用户有权访问的内容?越权召回必须为零
Operating Cost建索引和运行检索服务花费多少?包括 Embedding、存储、更新和运维

其中最容易被忽略的是 Task Success Rate。Recall@K 提升不一定意味着 Agent 的任务成功率提升。如果原先 Agent 已经可以通过 grep 找到关键文件,向量索引增加了一批相似但不必要的文档,最终答案甚至可能更差。

5.1 一个可执行的升级判据

建议用以下逻辑,而不是人为设定“超过十万篇文档就必须上向量数据库”:

阈值应该来自业务 SLA 和基线测试。例如,如果一个任务要求 3 秒内返回候选证据,就应测量 Agentic Search 的 P95,而不是用平均耗时判断;如果某类监管问题要求不能漏掉适用政策,就要单独评估该类查询的召回率,不能被其他普通问题的平均表现掩盖。

6. 一个更稳妥的架构演进路径

不要从“文件搜索”一步跳到“企业级 RAG 平台”。可以按实际瓶颈逐层增加能力。

Stage 1:文件系统就是检索层

适合本地 Agent、代码仓库、项目工作区、有限规模的文档集合。

User Query
    |
    v
Agent
    |
    +-- glob / find
    +-- grep / rg
    +-- read file
    +-- bash / scripts
    +-- LSP / AST (for code)
    |
    v
Evidence in Context
    |
    v
Answer with file paths / line references

先做好文件命名、目录组织、排除规则和文档元数据。重要的项目说明可以通过 AGENTS.md、CLAUDE.md 或项目入口文档提供给 Agent。不要把整个知识库预先塞进上下文。

Stage 2:增加轻量结构化索引

当文件数量增长、需要按时间、类型、业务域、来源和状态过滤时,可以先增加 SQLite、DuckDB 或 PostgreSQL 元数据表,保存文件路径、标题、来源、更新时间、版本和 ACL 引用。

文件正文仍由 Agent 按需读取。索引先解决“去哪里找”和“哪些文件符合条件”,不必急着解决语义相似度。

Stage 3:增加全文检索

当跨目录或跨来源的精确搜索已经成为性能瓶颈,或者需要稳定的相关性排序、高并发查询时,引入倒排索引和 BM25。

可以先评估现有数据库的全文检索能力。如果数据源、规模、并发和查询复杂度确实需要独立服务,再评估 OpenSearch。此时不必默认开启向量检索。

Stage 4:针对语义缺口增加 Embedding

先从一部分高价值文档和真实问题做试点。明确 Chunk 的边界、文档版本、元数据、Embedding 模型版本和更新机制,建立可重复的评估集。

不要只比较“向量搜索能不能返回结果”,要比较它是否找到了原本词法搜索遗漏的关键证据,以及这些证据是否改善最终任务结果。

当 BM25 和向量召回分别解决不同问题,而且组合后的任务成功率确实更好,再考虑统一检索接口:

                 User Query
                      |
                Query Analysis
                      |
          +-----------+-----------+
          |                       |
      BM25 Search            Vector Search
          |                       |
          +-----------+-----------+
                      |
                Fusion / RRF
                      |
                  Reranker
                      |
              ACL + Metadata Check
                      |
              Evidence / Citations
                      |
                    Agent

这里的 ACL 不能只放在最后做展示过滤。对受保护内容,必须在检索候选集形成之前或检索过程中实施授权约束;最终结果仍需做权限校验,避免缓存、重排或其他处理环节造成越权。检索系统不能成为绕过原始 Data Entitlement 的旁路。

7. 金融服务企业的特殊考虑

在金融服务企业里,检索架构的分界线不只是文档规模和语义差异,还包括数据权属、权限和证据要求。

例如,一个 Investment Research Agent 可能需要同时读取:

这不是一个简单的“把所有文件切片后放入向量数据库”的问题。

首先,结构化金融数据不应该被 Embedding 取代。价格、持仓、风险敞口、交易状态和基准数据应通过受控 SQL、API 或数据平台查询,保留精确过滤、时间语义和数据血缘。向量检索可以帮助找到相关政策、分析说明或指标定义,但不应该用相似文本回答“当前持仓是多少”或“某日 NAV 是多少”。

其次,权限必须在检索边界实施。不同用户对研究报告、客户数据、投资组合、交易记录和内部审批材料可能拥有不同权限。文档 ACL、数据行级权限、字段级权限和业务 Entitlement 不是同一件事。Embedding 索引必须继承并正确执行来源权限;不能先召回所有向量,再把权限交给 LLM 判断。

再次,证据和版本需要可追溯。监管政策、投资限制和研究结论可能随时间变化。检索结果至少要保留来源、版本、生效时间、更新时间和原文位置。Embedding 是派生数据,不能替代权威原文,也不能成为审计证据的唯一来源。

因此,企业级方案更合理的形态通常是多种检索方式并存:

知识类型推荐检索方式关键约束
结构化持仓、价格、风险指标SQL / API / 数据平台精确查询、时间口径、数据血缘
源代码、配置和工程文档grep / LSP / 文件搜索版本、路径、行号
政策、研究报告、操作手册BM25 + 必要时 Embedding版本、生效日期、文档 ACL
内部业务定义和指标口径元数据 / 业务词典 / Semantic Layer定义所有权、口径一致性
邮件、工单、会议记录来源连接器 + 全文检索,必要时 Hybrid用户权限、时间和来源
图片、扫描件、图表OCR / 文档解析 / 多模态检索解析质量、原始文件引用

这也解释了为什么企业知识平台通常需要一个检索路由层,而不是一个“万能向量库”。Agent 根据任务选择合适的数据源和检索工具;检索服务负责权限、过滤、排序和证据定位;LLM 负责理解问题、组织检索步骤和综合证据。

8. 最后一个容易犯的错误:把 Agent 搜索能力差,当成缺少 Embedding

如果 Agent 经常找不到文件,不要立即加向量索引。先检查:

  1. Agent 是否知道有哪些目录和数据源?
  2. grep / rg 是否排除了需要搜索的文件?
  3. 文件解析是否能正确处理 PDF、DOCX、HTML、表格和扫描件?
  4. 业务缩写、别名和同义词是否有可用词典?
  5. Agent 是否能在首次搜索失败后调整关键词和搜索范围?
  6. 搜索结果是否过多,导致上下文被噪声填满?
  7. 是否存在需要用 SQL、LSP、API 或专用连接器解决的问题?
  8. Agent 是否能返回文件路径、版本、页码或行号,供人验证?

尤其要注意,搜索不到内容和内容没有被正确解析,是两种不同的问题。 如果 PDF 解析阶段丢失了表格,Embedding 只会把错误或不完整的文本向量化;如果文档根本没有进入索引,向量模型也不可能凭空找出它。

还有一种情况:Agent 的工具调用次数很多,但每次都在重复搜索相同内容。这可能需要更好的搜索计划、临时结果缓存、Agent Memory 或结构化笔记,而不一定需要向量数据库。Anthropic 在同一篇 Context Engineering 文章中把动态检索、结构化笔记、上下文压缩和 Sub-agent 视为解决长任务上下文问题的不同手段。不要把所有上下文问题都归到 RAG 名下。

结论:先证明文件检索不够,再引入索引

本地 AI Agent 的出现改变了知识检索的默认架构。过去,系统需要预先把大量内容整理成索引,再通过一个查询接口返回候选文档。现在,Agent 可以直接使用文件系统、命令行和结构化工具,按需发现内容、读取证据并继续探索。

这不意味着 Embedding 或 OpenSearch 失去了价值。LLM 可以把问题拆成多组词法和结构化查询,但它生成的表达始终是有限的,也未必知道语料内部的特殊语言。Embedding 可以补充词面之外的语义匹配;预计算索引则可以把高频检索从运行时探索转为稳定服务。两者都应该由真实任务中的召回缺口、延迟和治理要求来证明价值。

真正值得坚持的原则是:

从精确检索开始;先修复数据和搜索策略;用真实任务测量失败;只有当失败模式明确指向语义召回或预计算索引时,再增加对应能力。

如果最后需要的是 BM25,就不要为了 RAG 上 Embedding;如果只需要 Embedding,就不要为了向量检索顺手部署一整套 OpenSearch;如果需要的是结构化查询或权限治理,也不要指望向量相似度解决。

架构不是功能清单。每增加一层索引,都应该对应一个已经被测量、并且现有方案无法经济解决的问题。

参考资料

  1. Anthropic, Effective context engineering for AI agents, 2025-09-29。关于 Just-in-time Context、Agentic Search、预计算检索的权衡,以及 Claude Code 使用 glob / grep 的实践。
  2. VS Code, How Copilot understands your workspace。关于 Copilot 的文本搜索、Grep、文件搜索、符号检索、语义索引和排除规则。
  3. Pi, Command Line。关于 Pi 内置 read、bash、grep、find、ls 等工具及工具配置。
  4. OpenSearch, Vector search concepts。关于 Embedding、k-NN、Semantic Search、Hybrid Search、Reranking 和 RAG 的能力边界。
  5. OpenSearch, Hybrid search。关于词法与语义检索结果的归一化和 RRF 融合。
  6. GitHub Copilot, Researching with GitHub Copilot CLI。关于使用 grep、glob 和 view 对代码仓库进行探索式研究。
  7. Zhang et al., Exploring the Best Practices of Query Expansion with Large Language Models, EMNLP Findings 2024。关于多样化查询扩展、融合策略及其效果。
  8. Weller et al., When do Generative Query and Document Expansions Fail?, EACL Findings 2024。关于扩展可能带来收益,也可能引入噪声并损害强检索器排序的实证分析。