RAG要被颠覆了？亚马逊最新研究：仅用关键词搜索+Agent，就能达到传统RAG 90%性能，还不用向量数据库 ＞

在大模型应用落地中，检索增强生成（RAG） 早已成为解决幻觉、接入私有知识库的标配方案。而提到RAG，大家的第一反应就是向量数据库、嵌入模型、分块策略——似乎这套复杂的链路，是实现高质量知识库问答的必经之路。

但亚马逊AWS的最新研究，直接打破了这个行业共识。在题为《Keyword search is all you need》的论文中，亚马逊团队提出了一个颠覆性结论：基于智能体（Agent）的关键词搜索，无需任何向量数据库和语义检索，就能达到传统RAG系统90%以上的性能表现，在复杂金融文档场景中甚至能反超RAG。

这篇论文不仅用详实的实验击穿了“向量检索是RAG核心”的固有认知，更为轻量化、低成本的大模型知识库落地，提供了一套全新的范式。

一、行业痛点：传统RAG，困在“向量数据库”的枷锁里

---

自从2020年RAG架构被提出以来，它就成了大模型落地的“事实标准”。通过将文档分块、向量化存入向量数据库，用户查询时先做语义检索匹配相关片段，再交给大模型生成答案，这套流程完美解决了大模型幻觉、知识更新滞后的问题。

但随着行业应用的深入，传统RAG的短板也暴露无遗：

1. 1. 集成与维护成本极高：一套完整的RAG系统需要搭配嵌入模型、向量数据库、分块策略调优，开发链路复杂；知识库每次更新，都需要重新执行分块、嵌入、索引入库的全流程，对于高频更新的场景极不友好。

2. 2. 检索质量强依赖人工调优：分块大小、重叠率、检索条数、嵌入模型选型，都会直接影响最终效果，很多时候RAG效果差，本质是人工调优没做到位。

3. 3. 复杂文档处理能力拉胯：面对带表格、长段落、复杂结构的PDF文档（如上市公司财报、技术白皮书），固定分块策略很容易把完整信息拆碎，导致语义检索根本找不到正确的上下文。

正是这些痛点，让研究者开始思考：语义检索和向量数据库，真的是RAG不可缺少的部分吗？有没有更简单、更低成本的方案？

二、破局方案：Agent+关键词搜索，扔掉向量数据库也能打

---

亚马逊团队给出的答案，是一套基于工具增强的Agentic关键词搜索框架。它的核心逻辑极其简单：不用分块、不用嵌入、不用向量数据库，直接让大模型通过ReAct推理框架，自主调用Linux命令行工具，在原始文档中做关键词/正则搜索，迭代获取上下文，最终生成答案。

两种方案的核心流程对比如下图所示：

图1：RAG与Agent-based QnA管线对比，红色为传统RAG流程，蓝色为本文提出的Agent搜索流程*

整个Agent的工作流，被封装成了一套可迭代的搜索算法，核心步骤如下：

1. 1. 初始阶段，Agent先执行脚本读取目标文件夹内所有文档的元数据，先搞清楚“有哪些文档、分别是什么主题”；

2. 2. 基于用户查询，Agent自主生成rga/pdfgrep等Linux搜索命令，在Shell中执行，获取关键词匹配的原文上下文；

3. 3. 根据搜索结果，判断是否需要补充搜索、调整关键词/正则，还是已经获取了足够的信息生成答案；

4. 4. 迭代执行搜索-判断流程，直到达到最大迭代次数，或找到完整答案后停止搜索，输出最终结果。

这套方案最惊艳的地方，是它把“信息检索”的决策权完全交给了大模型的推理能力，而非固定的语义检索算法。Agent可以根据查询的复杂程度，自主决定做宽泛搜索还是精准定位，甚至可以通过多轮搜索补全上下文，彻底摆脱了传统RAG固定分块的限制。

三、核心实验：90%性能追平RAG，复杂场景直接反超

---

为了验证这套方案的有效性，亚马逊团队做了全面的对照实验，用标准RAG系统作为基线，在6个覆盖不同领域、不同难度的数据集上做了横向对比，最终用RAGAS框架做了全维度评估。

实验设置

• 基线RAG方案：亚马逊Bedrock平台，Titan Text V2嵌入模型（1024维），300token分块+20%重叠，OpenSearch无服务向量索引，Anthropic Claude 3 Sonnet生成答案。
• Agent搜索方案：同样基于Claude 3 Sonnet模型，LangChain ReAct框架，可调用pdfmetadata、rga、pdfgrep三款Shell工具，温度设置为0.001保证结果稳定。
• 评估指标：忠实度（Faithfulness）、上下文召回率（Context Recall）、答案正确率（Answer Correctness），均为RAG领域的核心评估标准。

核心结果：全维度追平传统RAG

实验结果如下表所示，其中Attainment（达成率）代表Agent方案达到传统RAG基线的性能百分比：

数据集名称	忠实度			上下文召回率			答案正确率
	Agent	RAG	达成率(%)	Agent	RAG	达成率(%)	Agent	RAG	达成率(%)
PaulGrahamEssay	0.8662	0.9056	95.65	0.7527	0.8583	87.70	0.5808	0.7268	79.91
Llama2Paper	0.7252	0.8199	88.45	0.6148	0.8713	70.56	0.5823	0.6661	87.42
HistoryOfAlexnet	0.7280	0.7657	95.08	0.6968	0.8330	83.65	0.6406	0.7073	90.57
BlockchainSolana	0.8122	0.8627	94.15	0.7422	0.7450	99.62	0.5870	0.5872	99.97
LLM Survey paper	0.8061	0.8121	99.26	0.6355	0.6438	98.71	0.5123	0.5148	99.51
平均			94.52			88.05			91.48

表1：Agent与RAG在各数据集上的指标对比，平均达成率超90%

从结果可以看到，这套无向量数据库的Agent方案，实现了极其亮眼的表现：

• 平均忠实度达到RAG的94.52%，保证了生成答案的事实一致性，有效抑制幻觉；
• 平均上下文召回率达到88.05%，在技术文档场景中几乎与RAG持平；
• 平均答案正确率达到91.48%，其中Solana区块链、LLM综述两个数据集，正确率达成率分别达到99.97%和99.51%，与传统RAG几乎没有差距。

下图直观展示了这两个核心数据集上，Agent与RAG的指标覆盖度对比，二者的柱子几乎完全重合：

图2：BlockchainSolana与LLM Survey Paper数据集上，Agent与RAG的指标覆盖对比*

炸裂发现：复杂金融文档，Agent反超RAG6个百分点

如果说常规数据集上Agent是“追平RAG”，那在高难度的FinanceBench金融财报数据集上，Agent方案实现了对传统RAG的全面反超。

这个数据集包含上市公司10-K、10-Q财报、业绩公告等，充斥着大量表格、交叉引用和专业术语，是传统RAG的“老大难”场景。实验结果如下表所示：

系统配置	答案正确率(%)
传统RAG	24.24
Agent(3轮平均)	32.71
Agent(第4轮)	39.64

表2：FinanceBench数据集上，Agent与RAG的答案正确率对比

传统RAG的正确率仅为24.24%，而Agent方案平均正确率达到32.71%，最高达到39.64%，相对提升超60%，绝对提升近16个百分点。

背后的核心原因，是传统RAG的固定分块会把财报中的表格、跨页数据拆得支离破碎，语义检索根本无法获取完整的上下文；而Agent可以通过关键词精准定位到相关表格和段落，自主获取完整的上下文信息，完美解决了复杂结构文档的检索难题。

四、方案优势与局限：什么时候该扔掉向量数据库？

---

核心优势

1. 1. 极致的低成本与易用性：无需维护向量数据库，省去嵌入模型调用、分块调优、索引更新的所有成本，新增文档直接丢入文件夹即可，零成本更新知识库。

2. 2. 复杂文档处理能力更强：对于带表格、跨页引用、复杂结构的PDF文档，效果远超固定分块的传统RAG。

3. 3. 极高的可复现性：纯命令行工具实现，无需复杂的环境配置，比Claude Computer Use等GUI操作方案更稳定、更易复现。

4. 4. 完美适配高频更新场景：对于政策、财报、新闻等需要频繁更新知识库的场景，彻底摆脱了传统RAG“更新一次就要重跑一次全流程”的痛点。

客观局限

论文中也明确提到了这套方案的短板：在长文档、模糊语义查询、跨段落多跳推理的场景中，性能会有明显下降；对于需要深度语义理解的议论文、散文类文本，效果不如传统RAG；同时也受限于大模型的上下文窗口，无法处理超大规模文档。

五、写在最后

---

这篇论文的价值，从来不是“彻底干掉RAG和向量数据库”，而是给整个行业提供了一个全新的思路：RAG的核心是“检索增强生成”，而不是“向量检索增强生成”。

在很多实际落地场景中，开发者们过度神化了向量数据库和语义检索，把RAG系统做得越来越复杂，却忽略了“让大模型找到正确信息”这个最本质的目标。而亚马逊的这项研究证明，很多时候，一个简单的Agent+关键词搜索，就足以满足绝大多数场景的需求，还能省去90%的开发和维护成本。

对于行业而言，这篇论文也预示着RAG的发展方向：未来的检索增强，一定是“大模型推理主导、检索工具为辅”的Agentic RAG范式，让大模型自主决定“找什么、去哪找、怎么找”，而非被固定的检索算法束缚住手脚。

https://arxiv.org/pdf/2602.23368

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇