搭建企业知识库时，是否为 RAG 的 chunk 调优、阈值设置所困扰？一种新思路主张，对于中小规模知识库，让 AI Agent 直接读取文件，或许比依赖 Embedding 更高效、更准确，能从根本上解决信息聚合和知识库更新的难题。
智能速览
传统 RAG 存在调优困难、信息聚合能力差、更新成本高等痛点。
EFKA 项目提出让 AI Agent 直接读文件，实现无需 Embedding 的知识库。
双 Agent 设计将业务逻辑置于 Prompt 中，提升了灵活性和迭代速度。
LLM 上下文窗口扩大、推理成本下降为该方案提供了技术可行性。
该方案更适用于对准确性要求高、文档量小于 10 万的中小型知识库。
精华内容
RAG 的复杂性是否掩盖了其本质？一个名为 EFKA 的开源项目试图回归本源，挑战传统范式，探索一条更直接的技术路径。
RAG 的四大困境
检索增强生成（RAG）在实际应用中面临诸多挑战。首先是 chunk 调优的折磨，开发者需花费大量时间寻找最优分块策略，效果却不稳定。其次，相似度阈值的设定如同玄学，比如用户搜“API 速率限制”，但文档写的是“请求节流”，模型因语义差异可能无法匹配，导致检索失败。
再者，RAG 难以完成信息聚合任务。当用户要求“把 Q1-Q3 的周报汇总成季报”时，所有周报因内容相似被同时召回，但模型无法区分来源，导致结果混乱。最后，知识库更新成本高昂，新增一批文档往往需要重建整个向量索引，过程繁琐且耗时。
EFKA 的新思路
针对上述痛点，EFKA 项目提出了一种颠覆性方案：让 AI Agent 直接读取文件，完全绕过 Embedding。其核心是采用管理员 Agent 和用户 Agent 的双 Agent 架构。管理员 Agent 负责理解用户意图，规划任务，并调用用户 Agent。
用户 Agent 则负责执行具体指令，如读取文件、使用 grep 搜索等。这种设计的关键优势在于，业务逻辑被封装在 Prompt 中，而非代码里。当需求变更时，只需修改 Prompt 即可快速迭代，无需改动和重新部署代码，极大提升了灵活性。
适用场景与局限
这种 Embedding-Free 的方案并非万能，它有明确的适用边界。其局限性在于处理速度相对较慢，因为 Agent 需要实时读取和解析完整文件，而非通过向量快速匹配。因此，它不适用于百万级文档的超大规模知识库，对即时响应速度要求极高的场景也同样不合适。
它的最佳应用场景是文档量在 10 万以内的中小型知识库，尤其是那些对答案准确性要求远高于检索速度的业务。在这样的场景下，牺牲一点速度换来更精准、更少“幻觉”的结果，是值得的。
技术趋势的支撑
EFKA 的出现并非偶然，而是建立在三大技术趋势之上。首先，大语言模型（LLM）的上下文窗口正以前所未有的速度扩大，例如 Claude 已支持 200K token，足以一次性读完一本书，这使得 Embedding 的“信息压缩”优势逐渐减弱。
其次，Agent 的能力越来越强，它们不再是简单的问答机器，而是能够主动使用工具的智能体。让 Agent 自己去搜索和阅读文件，比人为为其切分好“预制菜”更灵活。最后，推理成本的持续下降，让“多读点文件”的代价变得可以接受，为该方案的经济可行性提供了保障。
EFKA 的实践提供了一个反思视角：技术选型应回归业务本质。当方法论的复杂性超过其带来的价值时，或许回归简单才是正解。未来的知识库，会是 Embedding 与 Agent 的共存，还是某种模式的彻底胜出？
