传统RAG范式受质疑，知识编译成Agentic Search新方向

检索增强生成（RAG）过去两年几乎成为大语言模型落地企业知识场景的标配，但大量企业将其搬进生产环境后发现，朴素RAG——把文档切块、向量化、再算相似度——在实际场景中频频失效。分块策略、Embedding模型选择、相似度阈值等每个环节都需大量调参，调完仍无法保证检索质量，不相关的文本块混入上下文后反而干扰LLM推理。

高级RAG试图以更复杂的架构解决问题：RAGFlow的DeepDoc解析PDF、各类高级Chunker、Hybrid Search、GraphRAG的知识图谱增强、RAPTOR的递归摘要树、Contextual Retrieval的上下文感知分块。但技术栈越来越复杂，效果提升却未匹配复杂度的增加。

2026年，两个关键事件将这场讨论推向新高度。其一是Andrej Karpathy提出的“LLM Wiki”概念，主张将原始笔记视为源材料，由LLM编译成持续更新、带明确引用、可逐字阅读的Wiki，即“知识被编译一次，然后保持更新，而不是在每个查询上重新推导”。其二是PwC US的研究报告《Is Grep All You Need?》，研究人员为Agent同时配备向量搜索和Grep，发现精确字符串匹配常常比语义搜索准确率更高，仅用字符串匹配实现的Agentic RAG质量已接近LLM-Compiled Wiki。

这两个事件共同指向一个结论：传统RAG的“查询→匹配→排序”范式正在被颠覆，检索核心从设计更强的召回算法转向设计能在多工具间动态编排的决策框架，搜索不再是引擎，而是Harness。但Harness加Grep虽构成极强的Baseline，却并非终点：数据规模扩大后，反复搜索导致Token消耗高、响应慢。文章由此提出，Search Harness是Agentic Search的引擎，知识编译是它的上下文供给层，为Harness提供更丰富、更压缩、更可追溯的知识工件，让Agent以更少迭代次数和更低Token消耗精准定位答案。