原帖 ｜ Jason ｜ 2026-04-24 15:14 ｜ 👍3 ｜ 阅读约1
之前我们完整梳理过 AI 应用商业级落地的核心技术栈：Agent + MCP + Skills + RAG。
其中 RAG 检索增强生成，核心逻辑是将用户输入的关键词，从 FAISS 向量库中匹配关联信息，经过重排、筛选后，再结合大模型生成回答。它的优势十分明显：检索速度快、能大幅节省 Token 消耗，但短板也很突出——整体属于黑盒机制，最终效果高度依赖向量化维度、文本切片策略、召回与重排算法，参数和流程设计不到位，极易出现检索不准、答非所问的问题。
而随着智能 Agent 能力持续迭代、大模型 Token 成本不断下探，并不是所有 AI 落地场景都必须依赖 RAG。
大量固定知识点、业务规则、通用逻辑，完全可以直接封装进 Skills 中；项目代码、官方文档、业务资料，也可统一归档至指定目录，直接授权 Agent 自主访问。依靠 Agent 原生能力，自主调用 grep、find、bash 等命令完成关键词检索、内容筛选与信息整合，整套方案轻量化、易维护。
结合我的落地实践来看，这套无向量库的原生检索方案表现稳定，尤其搭配 Claude 这类上下文理解与逻辑拆解能力极强的 Agent，检索精度和内容整合效果完全可以满足业务需求。
最后补充一个实用落地建议：日常海量 PDF资料、技术手册、规格文档，尽量全部统一转为 Markdown 格式。纯 MD 格式文本结构简洁、格式纯净，Agent 可直接原生解析读取，无需依赖额外第三方解析工具，检索效率更高、内容识别更精准，大幅降低落地复杂度。
相关笔记
- 📁 返回本主题 MOC
- Matt Pocock Skills零基础入门教程
- 企业级 AI 落地方案，不管是昨天分享的 agent + MCP + skills
- 搞嵌入式的同学，有没有想过让 AI 帮你写驱动、读内核代码、找 Segfault
- 前面的 agent + MCP + skills + RAG 知识库的 AI
- 嵌入式开发Skill开发指南
- 未来不会用 ai 的工程师都会被淘汰，有的同学不明白这句话的含义