什么值得买App下载 App ›
连续签到专享现金活动

Claude Code 为什么不使用 RAG 了?Agentic Search 凭什么更好

01代码检索的技术路线之争
在 AI 编程工具领域,一个关于代码检索技术路线的讨论正在持续发酵。Anthropic 旗下的 Claude Code 在公开场合明确表示,其早期版本曾尝试使用 RAG(检索增强生成)技术,但最终选择放弃,转而采用一种被内部称为 "Agentic Search" 的方案。这一决策在技术社区引发了广泛讨论,相关话题不仅涉及技术选型,更折射出 AI 工程领域对「检索增强」这一范式的深层思考。支持者认为,Claude Code 的选择体现了对代码场景特殊性的深刻理解;批评者则指出,传统 RAG 在其他领域依然具有不可替代的价值。素材来源显示,Claude Code 的创建者 Boris Cherny 在多个公开场合确认了这一技术决策,其原话为 "Early versions of Claude Code used RAG + a local vector database, but we found pretty quickly that agentic search generally works better. It outperformed everything, by a lot."123
02传统 RAG 方案的核心原理与局限
RAG(Retrieval-Augmented Generation,检索增强生成)是一种将检索系统与生成式大模型结合的技术架构。其标准工作流程包含三个核心阶段:索引阶段、检索阶段与增强阶段。在索引阶段,系统将代码或文档切分成小块,使用 embedding 模型将每个块转换为向量表示,并存入向量数据库。检索阶段,当用户提出问题时,系统将问题同样转换为向量,通过相似度匹配在向量数据库中找出最相关的 N 个块。增强阶段则将这些检索到的块与用户问题组合成提示词,提交给大模型进行推理和生成。Claude-context 项目资料指出,传统 RAG 采用向量化加相似度搜索的方式,这种方案在文档检索场景中被广泛采用。45
然而,当 RAG 被应用于代码场景时,多个素材揭示了其固有的局限性。首先是上下文断裂问题。代码具有高度关联性,一个函数的定义、调用和依赖类型通常分散在不同文件中。当代码被切碎后向量化,AI 只能看到孤立的片段,难以把握完整的逻辑链条。计算机视觉与机器学习领域的分析指出:"代码是高度关联的。一个函数的定义可能在文件开头,调用在中间,依赖的类型定义在另一个文件里。你把这些切碎了,AI 看到的只是孤立的片段,很容易漏掉关键的全局依赖或逻辑链。"6
其次是精确性问题。代码中的函数名、类名、变量名本身就是精确的标识符,而 embedding 模型在处理这类结构化标识符时存在天然缺陷。丁师兄大模型的面试解读中提到了一个典型案例:"getUserById 和 deleteUserById,这两个函数名在向量空间里的距离非常近,因为它们共享了大量的 token。但它们的功能完全相反,一个是查询一个是删除。"这种语义相似性并不等于功能相似性的问题,在代码场景中可能造成严重的误导。7
第三是索引时效性问题。代码库处于持续变动状态,一个活跃的研发团队每天可能有数十甚至上百次代码提交。RAG 依赖预构建索引,这意味着索引更新的速度永远无法跟上代码变化的节奏。嘎叔学AI的源码分析中提到:"你上午建的索引下午可能就过时了。有人新提交了代码、重构了文件结构,索引就跟实际代码产生了漂移。"这种陈旧索引带来的后果可能是灾难性的——模型可能基于已经不存在的代码给出错误建议。89
03Claude Code 的 Agentic Search 方案
Claude Code 最终选择的 Agentic Search 方案,其核心理念可以概括为"把检索融入 Agent 循环本身,用工具按需获取,而非预检索后注入"。根据多个技术解析素材,这一方案包含多层设计。首先是轻量级代码结构索引。Claude Code 没有建立向量索引,而是建立了一套基于文件结构本身的轻量索引:文件树记录项目目录结构,Import 依赖图描述各文件之间的依赖关系,函数签名索引则标注每个函数的名称、参数和返回值。这套索引的体积极小——只有文本,没有向量,维护成本接近于零,也不需要额外的 embedding 服务。8
其次是按需读取机制。当用户提问时,Claude Code 的 Agent 循环会经历"理解问题 → 判断需要哪些文件 → Read 工具按需拉取 → 附加到上下文 → LLM 推理"的完整流程。整个过程不需要提前把"可能相关的代码"都塞进 context,所有代码都是按需获取、按需附加。这与传统 RAG 的"先检索所有相关 chunk,再一起给模型"形成了鲜明对比。硅基思辩的分析指出:"Claude Code 更像老工程师现场排查。先用 Glob 看目录形状,再用 Grep 搜精确符号,比如 `OrderStatus`、`refund`、`middleware`。命中文件后,不全读,只用 Read 拉关键行。"1011
Claude Code 依赖的核心工具是 Grep、Glob 和 Read 三个基础命令。其中 Glob 用于路径匹配和目录结构探索,Grep 负责高速正则搜索,Read 则按需读取指定文件内容。这种组合的本质是让 AI 像真正的工程师一样工作——先通过目录结构了解整体布局,再通过精确搜索定位关键代码段,最后阅读相关文件以获取完整上下文。架构师专栏的评价是:"Grep 负责快,Read 负责准,模型负责规划搜索路径。不是一次检索定生死,而是『搜一点、读一点、判断一下、继续收敛』。"11
04技术架构层面的深层差异
从架构哲学角度看,两种方案代表了截然不同的设计理念。传统 RAG 采用的是"预处理一切"的思路——在用户提问之前,系统已经完成了文档切分、向量化和索引构建。这种方案的优势在于检索阶段响应速度快,但代价是前期准备成本高且索引维护复杂。而 Claude Code 的 Agentic Search 则遵循"按需获取"原则——没有预处理,没有索引,AI 根据当前任务自主决定搜索什么、如何搜索。嘎叔学AI的源码解析指出:"Claude Code 的设计遵循的其实是一个非常经典的原则——无状态设计。这条线从 Unix 管道到 REST API 到 Serverless,在计算机科学里反复被验证过。不建索引意味着零配置,用户 clone 完代码就能直接用,不需要等几分钟构建 embedding。"8
多层级准确率的乘法衰减效应也是不可忽视的因素。传统 RAG 链路涉及多个环节:代码切分、embedding 生成、向量检索、重排序和上下文拼接。假设每个环节的准确率达到 95%,五个环节相乘后的最终效果约为 77%。如果每个环节是 90% 的准确率,最终效果则降至约 59%。丁师兄大模型的解读强调:"不是某个环节坏了,而是每一步都有损耗。一个复杂系统往往不是输给单点能力,而是输给链路长度。"相比之下,Grep 的路径通常只是搜索 → 读取 → 输出,环节极少,更容易调试和维护。710
安全与隐私考量同样重要。RAG 方案需要将代码进行向量化处理并存储,这个向量表示本身可能存在信息泄露风险。学术研究已经证明,在某些条件下可以从 embedding 向量中部分还原出原始内容。对于企业用户而言,代码是最核心的资产之一,多一套外部系统就多一重风险。Claude Code 的 Grep 方案完全在本地执行,从架构上就杜绝了这个问题。字节面试解读素材中提到:"索引文件本身就是一个攻击面;代码的 Embedding 向量也不是绝对安全的。"12
05性能数据与实测对比
在实际性能表现方面,多个素材提供了对比数据。Claude Code 官方团队在开源项目文档中写道:"Claude Code's 'agentic search' is really just glob and grep, and it outperformed RAG." 今日头条的面试题解析中记录了 Boris Cherny 的原话:"Plain glob and grep, driven by the model, beat everything."13
在 Swe-bench Verified 这个行业公认的真实编码能力测试中,Claude Opus 4.5 以 80.9% 的得分领先。百家号的报道中提到:"实测数据显示,在大规模代码库场景下,传统向量库方案有超过 99% 的搜索结果是无关内容,时间和 Token 成本都翻倍增长。"9
一个值得关注的发现是,Claude Code 与 OpenAI Codex 独立做出了相同选择——两者都放弃了向量检索方案。这被业界视为一种"不是巧合"的信号。今日头条的解读指出:"然后我发现,OpenAI Codex 独立做出了相同选择。两家竞品都放弃向量检索,这不是巧合。"然而,也有素材提出了不同视角。哔哩哔哩的实测视频显示,在加入语义搜索工具后,Claude Code 的文件读取精度从 65% 提升至 87%,无谓读取比例从三分之一降至八分之一。这说明向量检索并非毫无价值,关键在于使用场景和交付方式。1415
06RAG 在其他场景的适用性
需要明确的是,Claude Code 放弃 RAG 并不代表 RAG 这项技术本身被否定。多个素材强调,在特定场景下 RAG 仍然是最佳选择。知乎的分析指出:"使用 RAG 的黄金法则:当你的数据是大规模、非结构化、静态文档,且语义相似性比精确匹配更重要时,RAG 仍然是最佳选择。对于代码、结构化数据、实时变化的数据,Agentic Search 或长上下文窗口通常是更好的方案。"5
RAG 的典型适用场景包括:企业内部知识问答,需要从大量文档中检索相关信息;法律助手,需要从法规库中精准召回条款;医疗助手,需要从医学资料中定位证据;客服系统,需要理解用户意图并匹配标准答案。这些场景的共同特点是:用户不知道答案在哪里,系统也不知道,只能通过语义搜索来发现相关性。硅基思辩的分析强调:"代码世界不同。代码通常是确定存在的——系统知道文件结构,模型知道目录关系。很多时候,需要解决的问题不是『答案是什么?』,而是『它在哪?』"10
07混合方案与演进方向
值得注意的是,Claude Code 的方案也在持续演进。CodeGraph 等开源项目提供了一种混合思路——在 Claude Code 之上增加代码知识图谱层。CodeGraph 用 tree-sitter 把源码解析成抽象语法树,提取所有符号和调用关系,存储到本地 SQLite 数据库中。当 AI 询问架构类问题时,可以直接查询图谱获取上下文,无需逐文件扫描。1617
CodeGraph 的实测数据显示了其价值:在 VS Code(约 1 万个文件)上,Claude Code 回答架构问题时需要 52 次工具调用、耗时 1 分 37 秒;加入 CodeGraph 后仅需 3 次调用、17 秒完成。Swift Compiler(25,874 个文件)的测试更为震撼:6 次 explore 调用加零文件读取,35 秒直接出答案。多个素材记录了平均提升数据:工具调用减少约 71%,Token 节省约 57%,响应速度提升约 46%。181920
然而,这种图谱方案与 RAG 有本质区别。它不依赖 embedding 和向量相似度,而是提取精确的结构化信息——函数定义、调用关系、继承链等。这些信息本身就具有精确性,不需要通过语义相似度来猜测。CodeGraph 通过 MCP 协议与 Claude Code 集成,暴露的核心工具包括 codegraph_explore(探索入口和调用链)、codegraph_node(按名称搜索符号)、codegraph_callers(查询符号被谁调用)等。2122
08适用场景与选型建议
综合各素材观点,两种技术路线的适用场景可以总结如下。对于代码场景,Claude Code 的 Agentic Search 方案具有明显优势:代码是结构化精确标识符,精确匹配优于语义相似;代码库变化频繁,预建索引容易过时;代码安全要求高,向量表示存在泄露风险;开发者需要的是"答案在哪"而非"什么相关内容"。而对于知识库、文档问答、法律检索等非代码场景,RAG 仍然是主流方案:数据规模大且非结构化,用户不知道答案在哪里,语义相似性搜索更有价值。510
知乎的观点总结指出:"你的 Agent 在解决『语义发现』还是『证据定位』?编程 Agent 大量工作是后者。"这一判断得到了多个素材的呼应。在 AI 编程领域,CodeGraph 等工具的出现并不意味着 RAG 的回归,而是提供了一种介于纯 grep 和传统 RAG 之间的中间方案——它保留了结构化信息的精确性,同时通过预索引提升了检索效率。14
09不同视角的观点呈现

代码检索方案对比

Claude Code 方案优势
  • Boris Cherny 原话:"agentic search generally works better. It outperformed everything, by a lot."

  • 代码场景精确匹配优于语义相似:函数名 getUserById 不会被改写成同义词

  • 无需预建索引,零配置,clone 代码即可使用

  • 索引无时效性问题,每次搜索都是实时状态

  • 完全本地执行,无信息泄露风险

  • 链路简单准确率高:搜索→读取→输出三步,避免乘法衰减

传统 RAG 仍有价值
  • Claude-context 项目显示:混合检索(向量+BM25)可降低 40% Token 消耗

  • 哔哩哔哩实测:加入语义搜索后文件精度从 65% 提升至 87%

  • CodeGraph 等图谱方案本质上是 RAG 思想的演进

  • 大规模静态文档场景,RAG 仍是主流选择

  • 语义搜索对模糊探索类问题有帮助

  • 跨语言、跨框架场景的语义理解仍有优势

知乎作者段小草的观点提供了一个反思视角:"过去两年,AI 行业探索的 RAG 范式,可能是一条狭窄的技术岔路。"这一判断在代码检索领域似乎得到了验证,但需要注意的是,这一结论有其特定适用范围。RAG 在知识管理、企业问答等领域的价值并未被否定。腾讯云的讨论指出:"当答案散落在多个不同的文档页面,或者用户需要一个精确的代码语法,而这个语法片段又没有幸运地出现在相似度排名前 K 的结果里时,系统就失灵了。"这正是 Claude Code 选择放弃 RAG 的核心原因——代码场景的特殊性使其不适用于传统的 RAG 范式。2324
虎扑用户的实战反馈提供了另一视角:Claude Code 在代码重构方面的表现与 Copilot 等工具拉开了差距。"Copilot 只能补全单个函数。Claude Code 是你说『把这个单体拆成微服务』,它自己分析依赖图、逐模块迁移、更新测试。"这种端到端的自动化能力,部分得益于其独特的代码检索机制——能够准确定位依赖关系、理解调用链,从而做出正确的重构决策。25
10核心维度对比总结
对比维度Claude Code Agentic Search传统 RAG 方案CodeGraph 增强方案
索引方式无预建索引,按需搜索预建向量索引预建结构化知识图谱
检索原理精确字符串匹配向量相似度搜索结构化符号关系查询
索引时效性无索引,无过时问题索引需持续更新增量同步,2秒消抖
上下文保留按需读取,逻辑链完整切块后上下文断裂图谱保留完整调用关系
工具调用次数较高(多次搜索迭代)较低(一次性检索)极低(直接查询图谱)
Token 消耗视搜索深度而定检索结果可能不相关显著节省(38-528倍压缩)
适用场景代码实时检索、结构化标识符静态文档、大规模知识库大型代码库架构理解
安全隐私完全本地,无泄露风险向量表示可能存在泄露完全本地,SQLite 存储

三种代码检索方案对比

综合来看,Claude Code 放弃 RAG 的决策反映了 AI 编程工具领域对"代码场景特殊性"的重新认知。代码不是自然语言,它要求精确而非模糊,要求实时而非静态,要求结构关系而非语义相似。这一洞察推动了从"预处理+语义检索"到"按需获取+精确搜索"的技术范式转换。然而,这并不意味着 RAG 技术本身过时——在知识管理、文档问答等场景中,RAG 仍然是主流方案。未来的趋势可能是针对不同场景选择最适合的检索策略,甚至在同一系统中混合使用多种方案。CodeGraph 等工具的出现,正是这种融合趋势的体现。5104

评论

评论区空态插画

当前文章无评论,是时候发表评论了