针对“RAG已死”的言论，本文从技术本质出发进行反驳。RAG并非单纯的技术手段，而是外部知识注入的系统范式，并未因长上下文窗口的出现而过时，反而内化为AI产品的底层基础。
智能速览
RAG是外部知识注入的系统范式，而非单纯的向量检索技术
长上下文窗口无法解决海量数据的降噪与成本问题，不能替代RAG
Cursor和Cloud等产品将语义检索整合进更复杂的工程化架构中
RAG已由显性流程转为Agent可调用的底层能力模块
精华内容
面对技术流言，我们需要厘清RAG的本质与演进逻辑，看清其在AI工程化中的真实定位。
RAG的真正定义
RAG不应被狭隘地理解为向量搜索，它是一套解决模型如何获取外部知识的系统范式。核心在于不重新训练模型的情况下，让模型在推理时利用外部动态知识。只要给模型提供了训练数据之外的新信息，本质上就是在执行RAG逻辑，区别仅在于人工操作还是系统化执行。
长上下文的短板
有人认为100万Token的长上下文能取代RAG，但这就像认为大内存能取代硬盘一样不切实际。面对企业级海量数据，长窗口只是杯水车薪。更重要的是，RAG的价值在于精准降噪，直接提供最相关的一千字，往往比让模型在百万字中大海捞针更高效、更准确。
产品的工程选择
所谓“RAG已死”的论据往往站不住脚。Cloud Code在文档中明确将Agentic Search与Semantic Search并列，通过组合策略平衡速度与精度。Cursor也并未放弃语义搜索，而是构建了基于Merkle Tree的结构化索引，结合Embedding驱动性能提升。这证明语义检索依然重要，只是实现方式更高级。
隐形的基础设施
RAG并没有被Agent取代，而是内化成了Agent系统的基础组件。Agent接管了检索的调度权，根据场景按需调用RAG能力。现在的上下文工程和内存管理，底层逻辑依然绕不开外部信息注入。RAG就像数据库一样，因为太基础、太普遍，不再被特意强调，实际上无处不在。
RAG作为连接大模型与真实世界的桥梁，其地位不可动摇。它从显性技术隐身为底层基础设施，成为AI开发中不可或缺的基本功。
