字节三面被问:谈谈你对“RAG已死“的看法,毕竟最近claude用grep做检索也挺好的。候选者:“这道题我会...“,结果白高兴了…

Claude 4原生检索:RAG三层架构的语义坍缩与零层实践 RAG(检索增强生成)是当前大模型落地企业知识服务的核心范式,其本质是通过外部知识检索弥补LLM幻觉与知识滞后问题。传统实现依赖向量数据库、查询路由和结果融合三大技术模块,但多系统耦合带来高延迟、难运维与低一致性等工程瓶颈。随着Claude 4将索引构建、动态路由与结果融合深度内化至模型推理过程,RAG正从‘多层拼装’迈向‘端到端语义对齐’——即检索不再依赖独立基础设施,而成为模型前向传播中自然发生的语义操作。这一转变显著降低架构复杂度与SRE负担,同时提升跨粒度召回准确率与响应实时性,已在保险、法律、政务 阅读详情

前些时候有一个读者私信说他去面试字节三面的做rag方向了,一上去没开始怎么聊面试官就问了一个常见并且还挺热门的问题,让说说对RAG已死的看法,面试官也还提到最近Claude使用grep来做检索也很不错。

他当时心里一高兴,觉得这个问题自己会回答。最近网上都在说RAG已经快不行了,Claude Code都不用向量数据库了,用grep和文件系统工具就能够进行代码检索。然后他清了清嗓子,挺自信地回答说:“RAG确实已经过时了,grep又快又准,没有基础设施成本,结果完全能够预期,而且Agent还能够迭代检索……”但是他忽略了场景,面试官肯定会顺着这个点接着提问。

面试官听完并没有立刻进行反驳,只是微微地点了点头,随后问道:“你所说的内容有一定的道理。那么转换场景来看,公司拥有20万份非结构化的文档,想要知道‘我们公司差旅报销政策是’,使用grep应该怎么进行搜索?”他一下子就出现了卡壳的情况。这是因为报销政策有可能被叫做“出差补贴规定”,也有可能被叫做“员工外出费用管理办法”,使用grep搜索哪一个词汇都不合适。面试官又补充了一句:“这些文档当中还有产品的截图、会议的表格,使用grep能够搜索得到?

”在这个时候他才清楚,自己不应该着急着进行回答,而是应该思考明白,自己把“代码检索”和“知识库检索”这两个不同的场景给弄混淆了。面试官想要考察的并不是RAG和grep哪一个更好哪一个更坏,而是是否具备判断的能力,知道什么场景应该使用什么工具。

我突然想到一件事情。在很多时候我们很容易被网络上的热点所带偏,一旦看到技术被替代就急忙下结论。但是真正的工程能力就在于能否弄清楚“这个结论在什么样的条件下能够成立”。所以有些事情也需要仔细地思考一番。那么问题就出现了,既然 grep 又快速又简单,为什么大多数的 AI Agent 还是选择 RAG ?那位被面试官追着问的读者所面临的,就是这个问题的关键所在。

今天,我们就把前因后果一次性讲清楚,让你在面试的时候,心里更加的有底。很多同学虽然知道怎么回,但是回答的不是很全面,有的时候逻辑上衔接不通,面试的效果就大打折扣了。

1. grep崛起

2025 年初的Claude Code 横空出世,用了一个出人意料的技术选择:不用向量数据库,直接用 grep 和文件系统工具来检索代码。这也正是面试官问那位读者的起点。

这件事在 AI 圈炸了锅。

”RAG 已死“的声音铺天盖地,到现在也是大家会有这种看法的。毕竟这个Anthropic 自己的编程 Agent 都不用 RAG 了,这是不是意味着我们花在向量数据库上的时间全白费了?

然而,现实要复杂得多。

在理解 RAG 的价值之前,先得公平地承认 grep 确实有它的用武之地。

grep 的强项是精确匹配:当你知道自己在找什么的时候,grep 几乎无敌。比如:

  • 1.代码库里的函数签名(processPayment())
  • 2.日志文件里的特定错误码(HTTP 404)
  • 3.法律文件里的特定条款编号
  • 4.配置文件里的具体参数名

这类场景有个共同特征:用户脑子里有一个精确的字符串,文档里也有这个字符串。匹配是确定性的,是基本上不存在歧义的呢。

一位来自Augment的工程师Colin Flaherty在SWE-Bench竞赛中亲身验证了这一点。他们的编程Agent达到了排行榜顶端,而他们尝试了各种embedding 检索工具后发现:”对于 SWE-Bench 的任务,grep 和 find 就已经够了,embedding 检索并不是瓶颈所在。“

更重要的是,grep的优势还在于:

  • 零基础设施成本:不需要建向量索引,不需要维护 embedding 模型
  • 结果完全可预期:没有”语义漂移“,搜什么就找什么
  • 迭代检索极其自然:Agent 可以用上一次结果来指导下一次搜索

2. 那问题来了:grep 为什么不够用?

答案实际上是十分简单的。在现实生活当中,大部分的数据,并非是如同代码那般有着结构化的。就好像面试官反问那位读者一样,当你遭遇到非结构化文档的时候,grep的优势就变成了劣势。这种情况是确实存在着的。

场景一:你不知道自己在找什么词

假设用户提出这样的问题:我们公司的差旅报销的相关政策究竟是怎么样子的?

此问题不存在可以直接借助 grep 去查找得到的关键词,有那么一种可能性,就是政策文件之中所提及的是有关出差补贴的相关规定,也有那一种可能性,就是员工外出费用的管理办法。用户的问题和文档里的表达方式存在语义距离,grep 找不到,向量检索可以。面试官问的那个”差旅报销“,考察的正是这个场景。

场景二:多模态内容

正如 LightOn 的博客所指出的:”你没法 grep 一张图表“。

企业里充斥着产品手册里的图表、会议记录里的截图、设计稿里的说明。这些内容对 grep 来说完全透明,但语义向量检索可以将图像和文本联合建索引。

场景三:跨语言和同义词问题

用户用英文问,文档是中文的。或者用户说”涨价“,文档里写的是”价格调整“。这些情况下,grep 一无所获,而 RAG 的语义理解能力正是为此而生。

场景四:大规模非结构化数据

InfiniFlow的研究给出了这样的直接结论:当处于面对企业级的多模态、非结构化或者半结构化数据的这种情形下,比如产品手册、会议记录、带有表格以及图像的报告这类状况的时候,grep的方案将会完完全全地没有作用。

3.那RAG在技术层面究竟解决了什么样的问题?

RAG,即检索增强生成,其核心思路乃是如此:首要之举便是去开展检索操作,将相关的信息予以找寻出来,随后运用所寻得的这些信息来实施生成行为。具体而言就是先借助特定的检索机制去获取恰当的资料,紧接着依照所获取到的资料来生成对应的内容。整个这一过程便是紧紧围绕着检索以及生成这两个关键环节来进行展开的,先是进行检索,而后开展生成,二者相互配合,一同构成了RAG的核心思路。

  1. 把文档切分成块(chunks)
  2. 用 Embedding 模型把每个块变成向量
  3. 存入向量数据库
  4. 用户提问时,把问题也向量化,找最相似的 Top-K 个块
  5. 把这些块塞进 LLM 的上下文,让它生成回答

这个流程所需要解决的核心问题乃是,即便措辞存在不一样的情况,只要是意思相互接近的内容,也可以被寻觅出来。

那Agentic RAG则是更进一步。它让Agent可以达成如下这些事情:

  • 多步检索:第一次检索后根据结果决定下一步怎么找
  • 整合多个数据源:既查向量库又调 API,还搜网页
  • 自我纠错:发现检索结果不够好时,主动换策略重搜

Jason Liu 在分析 Augment 团队的经验时,给出了一个很务实的三路对比:

方案质量速度成本可扩展性自我纠错
传统 RAG良好快低高❌
Agent + grep优秀慢高低✅
Agent + embedding最优慢高低✅

关键结论是:不要抛弃你现有的检索系统,而是把它们作为工具暴露给 Agent。回头看面试官问那位读者的问题,真正想听到的其实就是这个——RAG 和 grep 不是二选一,而是同一把瑞士军刀上的不同工具。

4. 那么”RAG 已死“是真的吗?

那肯定不是的啦… 现在外面那么多铺天盖地的招rag工程师…

MindStudio 的分析说得很清楚:”RAG 没有死,它被更精确地使用了。“

”RAG 已死“的论断,主要针对的是代码导航这个特定场景——在这个场景里,文件系统搜索和 AST 解析(抽象语法树)确实比向量检索更精准。

但对于文档问答、知识管理、大量非结构化文本的自然语言检索,RAG 仍然是标准方案,而且在持续进步(更好的分块策略、重排序、混合检索)。

Cursor 的做法就是最好的例子:他们同时使用向量搜索和 grep,两者结合,取各自所长。

最新的一篇 arXiv 论文(2025 年 5 月)也通过系统性实验证明:在端到端的 Agentic 工作流中,检索策略的选择与 Agent 架构之间存在复杂的交互关系——没有一种策略在所有场景下都最优。换句话说,那位读者的面试官问了个真正的好问题。

5. 和场景有关系

根据以上分析,一个简单的决策框架:

用 grep / 文件系统检索,当:

  • 数据是结构化代码
  • 你知道确切的关键词或标识符
  • 规模较小,不需要构建和维护索引
  • Agent 可以迭代重试,时间不是瓶颈

用 RAG / 语义检索,当:

  • 数据是非结构化的自然语言文档
  • 用户的问题措辞与文档表达可能不一致
  • 需要跨语言、跨表达方式的理解
  • 数据规模大,需要高效的预索引
  • 包含图像、表格等多模态内容

两者结合(混合检索),当:

  • 代码库 + 技术文档混合的场景
  • 需要精确匹配作为语义搜索的补充过滤条件

如果那位读者早看到这个决策框架,面试时可能就不会被问住了。

6. 结论

grep 和 RAG 的争论,本质上是一个关于数据特征与场景匹配的工程问题,而不是谁更先进的哲学争论。

Claude Code 用 grep 检索代码很成功,并不意味着企业知识库也该抛弃向量数据库;反过来,给代码搜索加一堆 embedding 基础设施,也可能是过度工程化的浪费。

最成熟的 Agent 系统,往往是那些能够根据数据类型和任务特征,智能选择检索工具的系统。

技术选型从来没有捷径——理解原理,匹配场景,才是正道。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

Claude记忆增强方案:结构化压缩与检索增强式上下文实践 大模型对话系统普遍面临无状态会话导致的上下文丢失问题,其本质是缺乏可靠的会话状态持久化机制。解决路径需兼顾工程可行性与技术可控性:通过结构化压缩提取关键事实(facts)、因果叙事(narrative)与认知标签(concepts),再结合检索增强式上下文(retrieval-augmented context)实现毫秒级精准召回。该方法规避了全文向量库的高成本、高噪声与低可解释性缺陷,特别适用于工程师高频协同场景——如代码调试、架构推演与PR审阅。claude-mem正是这一理念的轻量落地,以客户端优先、 阅读详情

相关推荐

Claude Code 为何放弃 RAG 改用 Grep?深度解析 Claude Code 智能体架构

摘要 Claude Code智能体架构通过工具增强型设计(如Grep、Read等)替代传统RAG模式,实现了更高效的代码处理。其核心优势在于: 主动搜索:基于推理需求动态调用Grep等工具进行精准符号匹配,而非静态注入冗余上下文; 预算优化:按需读取代码片段,最大化利用200K token的上下文窗口; 实时交互:直接操作文件系统,感知最新代码状态; 可解释性:通过行号等提供透明结果追溯。相比之下,RAG在代码场景下面临语义/符号错位、预算浪费、静态索引滞后等问题。Claude Code的Agentic S

weixin_35774598的博客 346

从RAG到智能检索:大模型应用架构的演进与选择指南

文章探讨了RAG技术是否"已死"的问题。三种观点显示:初级RAG确实在演进,但为LLM提供精准外部知识的需求永恒。未来RAG将"降级"为Agent工具箱中的组件,与长上下文窗口等技术协同工作。开发者需根据场景灵活组合技术,构建高效可靠的AI解决方案。

程序员鑫港的博客 840

Dify部署后访问报502?手把手教你排查和修复Nginx反向代理问题

本文针对Dify部署后常见的502 Bad Gateway错误,提供了从基础容器状态检查到Nginx配置与Docker网络诊断的完整排查流程。详细解析了错误本质,并给出动态服务发现修复与静态IP配置两种解决方案,帮助开发者彻底解决Nginx反向代理问题,确保Dify平台稳定访问。

rnn9storyteller的博客 1096

字节面试官追问:Claude Code 为什么用 grep 而不是 RAG?TaoToken 配置实测

用 TaoToken 统一 Key 接入 Claude Code 后,在 settings.json 放开 Grep、Glob、Read 权限即可实测 grep 检索链路。本文拆解字节面试题背后 grep 与 RAG 的取舍逻辑,并给出可复制配置与验证步骤。详见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end

weixin_34162851的博客 10

哈工大OS实验四——进程运行轨迹的跟踪与统计

进程运行轨迹的跟踪与统计 进程从创建(Linux 下调用 fork())到结束的整个过程就是进程的生命期,进程在其生命期中的运行轨迹实际上就表现为进程状态的多次切换,如进程创建以后会成为就绪态;当该进程被调度以后会切换到运行态;在运行的过程中如果启动了一个文件读写操作,操作系统会将该进程切换到阻塞态(等待态)从而让出 CPU;当文件读写完毕以后,操作系统会在将其切换成就绪态,等待进程调度算法来调度该进程执行…… process.c解读 void cpuio_bound(int last, int cpu_

优快云-ych 1003

Windows10完美驱动Apple Studio Display全攻略:从雷电转接到亮度调节(附N卡兼容列表)

本文详细介绍了在Windows10系统下如何完美驱动Apple Studio Display显示器,包括雷电接口转接方案、BootCamp驱动安装及NVIDIA显卡兼容性测试。特别推荐GTX 1660 Super等显卡,提供5K@60Hz稳定输出,并分享色彩管理及日常使用技巧,帮助用户充分发挥这款苹果显示器的性能。

weixin_29284657的博客 1097

字节面试被问“Claude Code怎么做搜索”?用Grep+Agentic Search重答一次

用Grep工具加Agentic Search搭代码检索Agent,本文给出可复制的工具配置与多轮调用链,并统一走TaoToken通道完成端到端验证。相比RAG,精确匹配更契合函数名与API检索,配合多轮收窄能有效隔离噪音。配置与排错细节可参考官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 。

weixin_42594419的博客 57

VMware Workstation Pro 17 最新破解版安装教程(附永久激活密钥)

本文详细介绍了VMware Workstation Pro 17专业版的安装与配置指南,包括系统要求检查、官方版本安装流程、高级配置优化及常见问题排查。通过合规使用官方版本,开发者可以充分利用其强大的虚拟化能力,提升多平台开发与测试效率。

weixin_29327977的博客 3603

字节面试官:Claude Code 为什么没用 RAG,选择了“原始“的 grep?

一道字节跳动 AI Agent 岗位的面试真题:为什么 Claude Code 不用 RAG 检索代码,而是直接用 grep?

lengm 547

AS5600磁编码器选型与安装避坑指南:磁铁形状、间隙距离到底怎么选?(附实测数据)

本文详细解析了AS5600磁编码器的选型与安装要点,包括磁铁形状、间隙距离等关键参数的选择,并附有实测数据支持。特别针对Arduino和I2C接口的应用场景,提供了硬件选型和机械安装的实用指南,帮助开发者避免常见陷阱,提升系统精度和稳定性。

weixin_27038245的博客 290

基于深度学习 YOLOv11 的快递包裹检测系统(Python + PySide6 界面 + 训练代码)

成为亟需优化的重要环节。随着电子商务的快速发展,物流行业面临着越来越大的压力,为了解决这些问题,我们提出了一种。目标检测算法,实现快递包裹的。的界面,供用户进行实时监控。本项目的主要目标是利用。

斌擎科技 765

XERJ 参考编码实战:实测“检索注入“能否击败原生 Claude Code 的 grep 循环

> 本文基于 xerj 仓库中完整的 [reference-coding 案例研究](https://link.gitcode.com/i/d05e97c94a1ff4d6a91b669e2fb2cc7a)(2026-08-05 完成,真实 token 与美元计价,跨 Rust / Python / JavaScript / C / Java 五种语言),系统讲解"参考编码(reference-c

gitblog_01095的博客 85

深入探究ASP.NET Core读取Request.Body的正确方式

前言# 相信大家在使用ASP.NET Core进行开发的时候,肯定会涉及到读取Request.Body的场景,毕竟我们大部分的POST请求都是将数据存放到Http的Body当中。因为笔者日常开发所使用的主要也是ASP.NET Core所以笔者也遇到这这种场景,关于本篇文章所套路的内容,来自于在开发过程中我遇到的关于Request.Body的读取问题。在之前的使用的时候,基本上都是借助搜索引擎搜索的答案,并没有太关注这个,发现自己理解的和正确的使用之间存在很大的误区。故有感而发,便写下此文,以作记录。学无止境

萌兔兔MMQ!! 778

RAG进化了,深扒Claude Code源码中RAG高级技巧

本文基于对Claude Code源码的深入分析,揭示其如何将RAG从"外挂知识库"升级为"操作系统级内存管理"。

weixin_58753619的博客 530

NVIDIA GR00T SONIC - 人形机器人强化学习全身控制入门教程(一)

SONIC 是一个类人行为基础模型,它为机器人提供了一套从大规模人类动作数据中学习而来的核心运动技能。与为每个动作单独构建控制器不同,SONIC 将动作追踪作为可扩展的训练任务,因此单一套统一策略即可产生自然的全身运动,并支持多种多样的行为。         🎯 主要特点: 🚶 自然的全身运动(行走、爬行、动态动作) 🎮 支持实时 VR 遥操作 🤖 高级规划与交互的基础 📦 即用型 C++ 推理栈

2506_90492529的博客 844

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

字节面试被问“Claude Code怎么做搜索”?答RAG后就没后续了

最近和在社区看到,有个求职者面试字节的时候,聊到了一些rag相关问题,正好这个求职者就说自己用过claude写代码,面试官就问他:那你知道Claude Code检索代码用的是什么方式吗?他说是RAG吧,现在不都这样做吗。后续面试官就没接着聊rag相关的了。

xx_nm98的博客 242

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

向量数据库已死,Claude Code、Cursor 为什么集体抛弃 RAG?

2025 年 5 月,Anthropic 做了一件当时没有引起足够重视的事:他们把向量搜索从 Claude Code 里拿掉了。嵌入管线、本地向量数据库、分块启发式,全部删除,取而代之的是一个叫 `grep` 的命令。 Claude Code 的作者 Boris Cherny 在 Latent Space 播客上说,结果是outperformed everything. By a lot, and this was surprising——全面胜出,而且优势很大,大到他们自己都意外。

m0_59235945的博客 204

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

字节面试被问“Claude Code怎么做搜索”?答RAG后就没后续了:用TaoToken实测Agentic Search与Grep

用TaoToken统一通道实测Claude Code的Agentic Search与Grep检索:从环境配置、RAG与Grep双脚本对比到命中率延迟记录,附401、local proxy failed等报错排查。官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 可注册取Key,帮你把面试结论变成可复现的工程判断。

weixin_42610671的博客 5

HyperIsland高级文本表达式完全指南:用占位符和正则重组通知文案

HyperIsland 是一款面向 HyperOS 的超级岛增强工具,它的**高级文本表达式**功能允许你通过 `${占位符}` 和正则函数,把 QQ、微信、下载等通知的标题与正文重新裁剪、拼接成自己想要的文案,无需写任何代码。本指南带你从零掌握 HyperIsland 表达式:占位符速查、内置函数用法、实战改造通知文案。 ## 高级文本表达式是什么? 在 HyperIsland 的「焦点通知

gitblog_00184的博客 377

LLM驱动Grep的代码搜索架构

本文基于2026年3月泄露的Claude Code CLI源码快照,深入拆解了Anthropic放弃RAG、改用。

malog的博客 690

用 XERJ 给 Claude Code 装上一个会“引用文件“的代码搜索 MCP:从 autoindex 到 defs 检索

**导读**:本文围绕 XERJ 的 `xerj mcp` 子命令,讲解如何把代码仓库一次性索引为可检索的代码文档,再以 MCP(Model Context Protocol)stdio 服务器的形式注册进 Claude Code 等 Agent 宿主,让 Agent 用一次 `xerj_search` 调用在 `defs` 字段上定位符号定义,并直接引用 `文件路径 + 行号` 作答——而不是把

gitblog_00916的博客 236

Claude语义压缩层蒸发:从可控推理到结果优先的范式迁移

语义压缩层是大语言模型中用于中间态信息规约与保真蒸馏的关键技术组件,其核心原理是在token流进入主transformer前对冗余、噪声及思考痕迹进行不可逆语义浓缩。该技术直接影响模型的可解释性、合规审计能力与对抗鲁棒性,广泛应用于金融风控、医疗辅助、法律合规等高可信场景。随着Anthropic将该层‘静默蒸发’,系统级可观测性归零,传统依赖中间输出的调试、审计与安全机制全面失效。本文聚焦语义压缩层消失带来的工程实操断层,提供可验证的影响识别方法、参数失效清单及三大核心模块(审计/安全/RAG)的轻量重构路

weixin_30448603的博客 470

#为什么越来越多开源 Agent 不用 RAG 了

一个开源编程 Agent 不建索引,一个开源研究 Agent 不建知识库。这不是偷懒,是架构判断变了。

2601_95494915的博客 264

LocalThings Docker 部署:6 个常见坑与最佳实践,快速实现 Home Assistant 本地控制三星家电

LocalThings 是 Home Assistant 的自定义集成,通过家庭局域网直接控制三星洗衣机、空调、冰箱等家电,无需云账号。本文整理它 Docker 容器化部署的 6 个常见坑与最佳实践,帮你一次部署成功,避免"桥接网络连不上设备"、"依赖安装失败"等典型问题。 [![LocalThings 项目标识:Home Assistant 三星家电局域网本地控制集成](https://raw

gitblog_00435的博客 856

Claude原生能力如何让RAG、Agent胶水层归零

大语言模型原生能力正推动AI应用架构发生根本性收敛——当模型具备确定性JSON输出、多模态文档理解、原生工具调用等能力时,传统RAG中的向量数据库、Agent框架里的工具编排胶水层、以及独立的Prompt管理服务,便从‘必需中间件’退化为‘低价值冗余层’。这种演进并非功能堆叠,而是将原本依赖外部工程保障的确定性,直接内化至推理内核。技术价值体现在开发效率跃升、运维成本断崖下降与系统可观测性增强;典型场景覆盖金融合同审查、合规条款提取、智能文档分析等高精度结构化任务。本文聚焦Claude-3.5 Sonnet

weixin_30572613的博客 287

XERJ llms.txt 研究实录:从 Claude Code 文档解剖中提炼 Agent 可读性设计

本篇基于 XERJ 仓库中一次真实的 llms.txt 生态研究的单项目解剖页 [claude-code-docs.md](https://link.gitcode.com/i/51bdb516c4b58ebbdd84e7abee1733ac) 展开:它对 Claude Code 官方文档站(code.claude.com)的 `llms.txt`、`llms-full.txt` 及若干 Agen

gitblog_00962的博客 442
上一篇: Agent爆发才刚开始,skill+Hermes还只是L3级agent
下一篇: 字节面试官追问:你的 Agent 调工具失败了怎么办?重试、幂等、回滚都没设计,线上迟早炸
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值