RAG+rigrep，企业知识层检索的最佳范式

最近我在重构去年初做的一套智能问答系统。去年那版系统很典型文档入库、向量化、召回、拼上下文、让大模型回答。能跑也能演示但真放到企业知识层里还是会有不少问题用户问法和文档写法对不上制度版本混在一起召回结果不稳定。重构过程中我读到一篇很贴近这个问题的论文Is Grep All You Need? How Agent Harnesses Reshape Agentic Search。它讨论的不是传统搜索引擎而是 Claude Code、Codex CLI、Gemini CLI 这类 Agent在多轮对话记忆问答里怎么调用工具去找证据。这篇文章想要分享的主题是为什么 Agent 喜欢用rg为什么rg不能替代 RAG以及企业知识层该怎样组合词面检索、语义检索和工具调用。01 这篇论文到底在研究什么这篇论文的场景很具体长对话记忆问答。它不是在问“巴黎是哪个国家的首都”这种常识题而是让模型从一大段历史对话里找答案。真正的证据可能只是一句话周围却夹着大量无关内容。这和传统 RAG 的差异很大。传统 RAG 更像固定流水线问题来了拿回前几条结果拼进上下文然后回答。Agentic Search 更像一个会自己查资料的研究助理先搜一轮读结果不够再换关键词继续搜。所以这篇论文的重点不是一句“grep 比向量检索强”而是检索效果不只取决于检索算法还取决于 Agent 所在的运行框架、工具调用方式以及检索结果呈现给模型的方式。02 grep / rg 为什么在 Agent 里很强先澄清一个概念。Codex、Claude Code 里常用的是ripgrep命令叫rg。它可以理解成更适合现代代码库的 grep递归搜索快默认尊重.gitignore输出也更适合开发者阅读。在代码库和日志场景里rg的优势非常明显。很多工程问题都有明确线索错误码、字段名、函数名、配置名、接口路径。这些东西不需要语义理解直接搜就行。比如 demo 里可以跑python -B scripts\rg_examples.py它会同时找到业务代码和测试文件。这个过程和 Codex、Claude 读代码库很像先定位再阅读再修改。论文里把这类方法叫 lexical search也就是词面检索。它简单、稳定、成本低、命中明确但硬伤也很明显你必须猜中词。用户问员工离职后系统权限什么时候回收文档里可能写的是离职员工账号应在最后工作日 18:00 前关闭。涉及生产系统权限的IT 应先冻结高风险权限。直接用rg搜完整问题很可能没有结果。因为“权限回收”和“账号关闭”“冻结高风险权限”不是同一串字。这就是向量检索和 RAG 的价值不是只找同一个词而是找到含义相关的证据。03 RAG 解决的是另一个问题企业知识问答不是代码定位。代码定位问的是这个字段在哪里出现过企业知识问答问的是这个业务场景应该怎么处理前者靠rg很便捷后者只靠rg很危险。企业知识表达不统一来源复杂还涉及权限、版本和引用追溯。同一件事可能叫续费、续约、续签、合同延展用户不会按文档原词提问。所以 RAG 的关键不是“向量库很高级”而是建立一条可信问答链语义召回 → 关键词补召回 → 权限过滤 → 重排 → 证据拼装 → 生成答案 → 返回引用为了让读者能跑起来我在 demo 里做了一个最小版mini_rag.pypython -B scripts\mini_rag.py --query 员工离职后系统权限什么时候回收它不是生产级 RAG只是用规则模拟“切分、召回、证据、来源”这条链路。rg回答“有没有这串字”RAG 回答“这个问题应该引用哪些证据”。04 工具结果怎么给模型也会影响答案这篇论文还有一个很实用的点它不只比较 grep 和向量检索还比较检索结果怎么呈现给模型。一种是Inline搜索结果直接塞进上下文。好处是简单直接模型马上能读。坏处是结果一多就会和系统提示、历史对话、之前的工具结果抢空间。另一种是File-based / Programmatic搜索结果先写入文件Agent 再决定读哪一部分。好处是可以减少上下文压力坏处是多了一步工具使用模型必须知道怎么读文件、读多少。这点放到企业知识层里非常关键。很多系统效果不好不一定是模型不行也不一定是向量库不行而是中间链路设计得太粗召回结果太长证据没有分组制度版本缺少元信息权限过滤放得太晚。Agent 系统不是“换一个检索器”就能变好。检索器、工具说明、结果格式、上下文预算、权限过滤都会影响最终答案。05 rg 在企业知识层里应该放哪里所以是不是有了 RAG就不用rg了恰恰相反。企业知识层里rg应该成为工程侧的基础工具。第一数据盘点。rg 合同|续签|客户状态|CRM docs/第二知识治理。rg TODO|草稿|已过期|password|token docs/第三RAG 排障。当用户说“系统答错了制度里明明有”第一步不应该怀疑模型而是用rg查rg 离职|账号关闭|权限复核 docs/如果原文存在但 RAG 没召回问题可能在解析、切分、embedding、元信息、权限过滤或重排。第四代码和配置定位。字段怎么定义、接口在哪里用、日志从哪里打出来仍然是rg的主场。06 我的重构判断这次重构去年那套智能问答我最大的变化不是换一个更贵的模型也不是把所有文档重新 embedding 一遍而是拆成两条链路。一条是工程链路文档盘点 → 敏感扫描 → 原文定位 → 召回排障 → 版本治理这里rg非常好用。另一条是问答链路问题理解 → 混合召回 → 权限过滤 → 重排 → 证据生成 → 引用追溯这里 RAG 是底座。再往前走一步Agentic Search 会把两条链路连起来。Agent 不只是被动接收前几条检索结果而是能判断要不要继续搜、换什么关键词、读哪份文件、是否证据不足。未来的企业知识层不是单纯的向量数据库也不是让大模型自己 grep 全目录而是一套可控的 Agent 检索系统。rg/grep不会过时。它们会继续作为可靠的工程放大镜存在。但企业知识层不能停留在“搜到某个词”。它必须回答更难的问题用户到底在问什么、哪些证据可信、哪些资料有权限、答案能否追溯。所以最后还是那句话定位靠rg回答靠 RAG。简单问题靠搜索企业级知识层靠系统工程。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/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】