普通 RAG 的结构是：用户提问 → 改写查询或识别意图 → 从知识库或数据库检索 → 重排和过滤 → 拼装上下文 → 模型生成答案 → 标注引用。技术重点就落在切分、向量化、混合检索、重排、元数据过滤、权限控制、引用和新鲜度这些环节上⁠1。它的本质是让 AI 知道得更多，但主要还是在回答，不会自己去做事⁠1。立正把 RAG 拆成六个动作：上下文管理、切分、判断、评估、诊断、编排，并强调切分不只是 chunking⁠2。

当问题本质是跨系统、跨实体的精确追踪时，用相似度去近似关系会吃亏，需要先把语义层和数据关系建模出来，再让 agent 在这个结构上工作⁠3。一个具体信号是：Claude Code 团队早期也用过向量数据库，后来发现让 agent 自己搜索效果更好，现在用的基本就是 glob 和 grep 这种最简单的命令⁠4。所以 agentic RAG 里 chunk、向量化、索引、排序仍然可能出现，但它们从固定流水线降级为 agent 可选的工具之一；agent 也可以直接读整个文件、用命令行搜、或者把整段长上下文交给模型。判断标准是这套做法在解决什么问题，而不是它叫什么名字⁠4。

分块加向量化加检索这套固定流程是 2023 年的产物：那时上下文窗口小，模型也不太会调用工具⁠4。名词是地图上的地标，动词是你在地标之间走的路；只收集地标不知道怎么走路，哪儿也到不了⁠5。所以如果你在学 RAG，值得先问两个问题：如果模型强十倍，这套做法还重要吗；它到底在解决什么问题，我现在还有这个问题吗⁠4。懂了信息检索，学 RAG 只要一个周末⁠4。