都说接知识库就上 RAG，Claude Code 为什么偏没有向量库？

关注

原创最新推荐文章于 2026-09-21 16:52:01 发布 346 阅读 AI 写同款· GEO 优化 ›

OpenViking上下文数据库Golang集成实践技术创新文件系统范式：将AI Agent的上下文管理从扁平向量存储提升为结构化文件系统分层检索策略：L0/L1/L2三层加载机制，减少62.1%的Token消耗记忆自迭代：会话提交触发Agent经验沉淀，实现越用越智能工程实践完整Golang实现：提供生产级可用的OpenViking客户端库企业级集成方案：涵盖文档摄入、检索、会话管理等全流程性能优化成果：检索准确率提升24.1%，响应时间减少53.3%可观测性提升可视化检索轨迹：实现检索过程的白盒化，调试效率提升77.1%全面监控指标。阅读详情

照着正篇造一个 SW-engineer agent，能跑之后第一件卡住的就是接知识库，我第一次一股脑塞进 skill 的 reference，结果 agent 读不完、也选不准。一句话立场：知识库不是「选 Skill 还是 RAG」，是按形态分层、各接各的。

先把术语翻成人话

知识库 ：agent 脑子里没有、要用时去取的资料（规范、文档、代码、工单）

Skill ：一份写给 agent 的「怎么做」说明书，要用时整篇读进来

RAG / 检索 ：资料太多读不完，按语义只捞最相关的几段

MCP ：把外部系统或检索包成 agent 能调的「工具」的标准接口

agentic search ：agent 自己用 grep、读文件去翻，像人一样翻代码

一、面试现场

面试官提问

“都说接知识库就上 RAG，那 Claude Code 为什么偏没有向量库？”

Agent 平台面。面试官：你拿 Claude Code 这种 harness 当底座造一个 SW-engineer agent，公司知识库：编码规范、几千篇设计文档、历史工单，怎么接进去？候选人想当然：把文档丢进 skill 的 reference 不就行了？

面试官摇头。这题看似问 Claude Code 的取舍，实考你能不能区分「程序性知识」和「事实性大语料」：前者是「怎么做」（规范、流程），小到能写成一份 Skill 整篇读；后者是几千篇文档，读不完、只能靠检索按语义命中。

**直接回答：**向量库不是接知识库的默认答案——知识按形态分层，各走各的机制。

二、大多数人怎么答的

典型翻车回答

“知识库就是把文档丢进 skill 的 reference 文件夹。”

这句话只对了最小的一块。Skill 的 reference 是**「文件级整读」，不是「检索」**，agent 看到 skill 描述觉得相关，就把整个 reference 读进来。这只在语料小到能整篇读、且能靠文件名选对时才成立。

几千篇设计文档塞进 reference，agent 根本读不完，也选不准。我认为这个误区的根，是把「程序性 how-to」和「事实性大语料」混为一谈，接法天差地别。

**但别停在「大的上 RAG、小的塞 skill」这种谁都会说的道理上。**最反直觉的是：Claude Code（截至 2026-06）对当前代码库根本没有预建向量库 / RAG 索引——打开你机器的 ~/.claude/ 就能验证。下面直接拆开它，看顶级 harness 真到接知识这层怎么分工。

三、拆开 Claude Code：它为什么没有向量库

不卖关子：Claude Code 接知识不靠一个代码库向量索引，而是按知识形态分流到四条路，每条都能在 ~/.claude/ 里亲眼翻到。先看分流表，再拆三个最易错的点。

知识长什么样	接法	Claude Code 里对应
小、稳、项目级约定	CLAUDE.md / memory 常驻	会话开头自动加载
程序性「怎么做」	Skill，整篇读	`~/.claude/skills/`
能按文件名导航的代码	文件工具 + agentic search	Grep / Glob / Read 现翻
大、非结构化、读不完	RAG 检索，藏在工具后	本体没有，靠 MCP 接
要查活系统(DB/工单)	MCP 暴露成工具	`.mcp.json`

① Skill 是「文件级渐进披露」，不是检索，这是最常被混的一点

Claude Code 平时只把每个 skill 的 name + description 载入上下文，这是一个索引；只有模型觉得某个 skill 相关、真去调用，才把 SKILL.md 全文读进来。打开 ~/.claude/skills/ 就能看到：一个 skill 一个目录、一份带 frontmatter 的 SKILL.md。

所以 reference 适合「程序 how-to + 小到能整读的资料」，走的是整篇读那条路；按语义捞片段，是 RAG 的活。

**违反后果：**把几千篇文档塞进 reference 指望整读，窗口直接吃爆（第 4 课），还选不准该读哪篇，这正是「全塞 skill」翻车的机理。

② 能导航的代码，Claude Code 故意不建向量库

这是它最值得抄的赌注。面对整个代码库，Claude Code 不预先做 embedding 索引，而是用 Grep / Glob / Read 像人一样现翻，它改文件前总是先 grep、先 Read，不是去查预建向量库。

因为代码能按文件名、目录、符号导航，让模型现翻比维护一个会过期的向量索引更准、更省。这是它对「可导航代码知识」的有意选择。注意别把这句话泛化成「Claude Code 完全没有任何语义搜索」：源码里有 past-session 的 agentic semantic search，但那不是当前代码库的向量库 / RAG。

**违反后果：**给本来能 grep 的知识硬上 RAG，等于多养一个会漂移的索引、还把准确率拖低，索引和代码一不同步，召回就开始骗你。

③ 真·大语料 = 「检索即工具」：RAG 藏在工具 / MCP 后面

只有「大 + 非结构化 + 没法靠文件名导航」的语料（几千篇 wiki、历史工单、客服 KB）才真正需要 RAG。

但正确接法是把检索包成一个 search_knowledge 工具，语料留在外面、agent 要用时调用、拿回 top-K。Claude Code 本体没有 RAG，却给了接法：外部检索做成一个 MCP server，agent 当 client 调。

它的 deferred 工具也是要用时才靠 ToolSearch 取 schema，和记忆的 MEMORY.md 索引、技能的 name/description 索引）同一招：「索引 + 按需展开」。RAG 的 top-K 就是这招的极端版：语料大到连索引都要靠语义命中。

**违反后果：**把大语料直接灌进上下文或 skill，窗口爆、还命中不准；把 RAG 散在 agent 逻辑里不收进工具，换框架就得重接一遍。

**我的优先顺序：**先按「这块知识能不能整篇读、能不能 grep」分流：能就别上 RAG；只有「大 + 读不完 + 没法导航」的才值得检索，且一定藏在工具后面。Claude Code 对代码库不建向量库不是它弱，是它把每类知识放对了层。

四、面试官追问链

追问 1

“接了七八个 skill，agent 到底怎么挑？会不会选错、或者一股脑全读进来？”

会。skill 的 name + description 就是检索键——写含糊，agent 要么召不准、要么把不相关的全读进来。两条硬约束：一个 skill 只干一件事；description 写「什么时候该调我」，不是「我是什么」。真到几十上百个，再给 skill 加一层「先筛后展开」，还是「索引 + 按需展开」那招。粒度没抠好，分层接得再对，agent 到门口也挑错门。

追问 2

“就几十篇 FAQ，也值得上 RAG 吗？”

不值得。能塞进一份 skill 整篇读、或能 grep 到的，别上 RAG，平白多养一个会漂移的索引，外加一整套召回评估负担。RAG 的收益只在「大 + 读不完 + 没法导航」时才出现。这是 S3 那条老结论的延伸：GraphRAG 救不了一个本可整篇读的 FAQ。先估知识的量级和形态，再决定要不要付检索这份成本。

追问 3

“知识库接进来了，怎么判断检索到底好不好？”

「接进来」只是布线，「检索准不准」是另一件事。离线先攒一组真实问题、标好该命中的文档，再量两个指标：hit@k 看前 k 条找没找到、MRR 看正确资料排第几。达标再上线，别让 agent 拿一个召回 30% 的检索器去答。我认为能讲清「接法分层」是及格，能接着讲「拿 hit@k / MRR 验收」才算做完，这正是 S3《面试深水区》的主场。

五、给你的 agent 接知识库：四步分层

把分流落到造一个 SW-engineer agent 上，下面四步、每步对应一类知识。

STEP 1 · 先把知识按形态分堆

把要接的东西摊开归类：能整篇读的 how-to、小稳事实、能 grep 的代码、读不完的大语料、要查的活系统。分堆决定每块走哪条路，这一步省了，后面一定接错层。

↳ 关键：先问形态，再选机制。

STEP 2 · 小事实进 CLAUDE.md，程序 how-to 写成 Skill

项目约定（用什么栈、PR 怎么提）写进 CLAUDE.md 常驻；编码规范、测试 playbook、排障流程这类「怎么做」，照搬 Claude Code 写成 Skill：一个 SKILL.md + frontmatter，只把 name/description 当索引。

↳ 关键：程序性知识整篇读，别指望它能检索。

STEP 3 · 当前代码库给文件工具 + agentic search

让 agent 用 grep / 读文件现翻当前代码库，别为它预建向量索引，学 Claude Code 对代码的赌注。能导航的知识，现翻比检索更准也更省维护。

↳ 关键：可 grep 的不上 RAG。

STEP 4 · 大语料才上 RAG，且包成一个工具 / MCP server

几千篇设计文档、历史 incident 这类大语料才上检索，收进一个 search_knowledge 工具或 MCP server；再在对应 Skill 里写一句「要事实就调它」。Jira / CI / 监控这些活系统，同样走 MCP。

↳ 关键：检索即工具，Skill 编排它，RAG 命中它。

**↳ 一句话验收：**给你的 SW-engineer agent 抛一个冷门内部 API，**它是 grep 得到、还是调 search_knowledge 拿得到？**两条路都没有，说明那块知识根本没接进来，agent 只能瞎猜。

六、本课总结

一句话总结

接知识库不是「选 Skill 还是 RAG」的二选一，是按知识形态分层、各接各的、还叠着用。Claude Code 的答案最反直觉：它对当前代码库压根没有预建向量库 / RAG 索引——顶级 harness 接知识，赌的是把每类知识放对层，不是给全库建一个大索引。

面试锦囊

**先说：**先把题纠回来，这不是「Skill 还是 RAG」的二选一，它俩不在一层。Skill 管「何时、怎么去查」，RAG 管「在大语料里命中」。

**再说 Claude Code 怎么落地：**它对当前代码库没有预建向量库 / RAG 索引——小事实进 CLAUDE.md、how-to 写 Skill、代码 grep 现翻、大语料才 RAG 且藏在工具后。打开 ~/.claude/ 能验证。

**最后补：**先按形态分流（能整读 / 能 grep 的别上 RAG），再把大语料的检索收进一个 search_knowledge 工具；接进来之后还得用 hit@k / MRR 验收检索准不准（S3 那一季的主场）。

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～