问问立正为什么不用rag

提问

AI根据立正公开的文章和视频整理,不是他本人回复

立正说他不追 RAG,是因为试过后判断它不好用;他更看重上下文管理、任务拆解这类底层能力,而不是把 RAG 当成必学的名词。

他反对的是把 RAG 当必修名词

材料里的观点

立正把 RAG、agent 这类词归为“看起来很硬”的第一类货架,把上下文管理、任务拆解、人机协同、结果确定性归为“看起来很软”的第二类。他的判断是:大家容易被第一类吸引,学完打个勾写进简历,就产生“已经进步”的错觉,反而不急着学真正影响结果的东西⁠1。所以他说“我从来不追 RAG”,并称团队在 2024 年研究过 RAG 之后,结论是不需要去学⁠2。

“不用”不等于“从没碰过”

他在另一段里讲得更具体:2024 年 3 月上线课程时,很多人问教不教 RAG,他们回答不教,理由是“RAG 这个东西我们试了,就是不好用”,并因此挨骂。同一段里他也用 LangChain、AutoGen 这类框架和 MCP 举例,说团队会拆开讲哪些点好用、哪些不好用,而不是一概拒绝⁠3。把这些放在一起看,更准确的说法是:他反对把 RAG 当作入门必学项和跟风对象,而不是宣称 RAG 在任何场景都无效。

他自己的产品里其实用了检索

AI推演

“问问立正”这个工具的介绍里写明,语义索引用平台的 embedding 接口建,3115 个片段的向量提前离线算好、约 3MB 直接放进内存,因为运行内存只有 256MB,所以用不着向量数据库⁠4。这说明他排斥的不是“检索”这件事,而是把 RAG 的 pipeline 当成学习起点和身份标签。按这个思路,判断要不要上 RAG,可以先问:你的语料有多大、更新多频繁、内存和延迟限制是什么;如果只是几千个片段,先把索引离线算好放进内存,可能比搭一套向量数据库更省事。这是 AI 根据上述材料做的推演,不是他本人的原话。

现有片段只给出他“不追 RAG”“试了不好用”的结论,没有展开他测试的具体任务、数据和失败原因;《课代表立正》⁠3的说话人标注为待核,引用时需以原音频为准。

回到4份原文