腾讯面试官好奇：“你说RAG没死，那它存在于哪里？“我说：它没消失，是从“独立系统“降级成了“一个组件“，藏在更大的Agent架构底下。

前几天有个粉丝来面腾讯一面聊到RAG的时候面试官问他你怎么看RAG在2026年的定位他说RAG没死只是角色变了。面试官好奇地追问了一句“那它现在存在于哪里能具体说说吗”他想了想回答说RAG被长上下文模型替代了一部分但还是有它的用武之地。听起来没什么大毛病但面试官笑了笑换了个角度问你说有它的用武之地——那它在你做的项目里具体扮演的是什么角色是一个独立系统还是某个更大流程里的一步他愣了一下说应该是后者。面试官继续追问那如果RAG只是流程里的一步你觉得做RAG的人未来应该往哪个方向转他挠了挠头说不太清楚可能是往Agent方向面试官点了点头没再追问但那个不太清楚让他回来想了整整一个晚上。说实话这个问题挺值得琢磨的。RAG到底是过时了、升级了、还是换了个壳继续活着今天就把这个事情讲明白。✦ ✦ ✦如果你现在还在企业AI立项会上说我们要做个RAG会后大概率有人小声嘀咕一句。嘀咕什么呢就是说你这套说辞是不是有点旧了。2023年提RAG大家会觉得你踩在了技术前沿。放到2026年嘛情况已经不太一样了。不是说RAG不管用了而是它已经不足以概括企业AI真正要解决的那些问题。RAG为什么会过时RAG最早要解决的问题其实挺朴素的。说白了就是模型不认识你公司内部的资料嘛那就先去知识库里查一查然后再让模型来回答。那时候模型上下文短、工具调用能力也弱。切块、向量化、召回、生成这套流程呢几乎是唯一便宜好用的解法了谈不上有多少替代方案可以选。可如果换个角度来看今天的问题呢你会发现题目已经变了。以前卡住大家的是模型到底能不能查到资料现在真正难的是什么呢是模型能不能在一堆复杂业务信息里做出站得住脚的判断。我来举个例子对比一下哈。像报销标准是多少这种事实类问题RAG答起来毫无压力。但换成这个客户为什么续约风险高呢答案很可能根本不在某一段最相似的文本里头。它零散分布在CRM记录、邮件往来、工单历史和会议纪要之中东一点西一点的。传统RAG的做法是什么呢就是把看起来相关的内容一股脑丢给模型。至于这些内容够不够、新不新鲜、彼此有没有冲突、有没有权限支撑这个结论——它压根不关心。这恰恰是旧式RAG一进入生产环境就露馅的地方。而且值得一提的是MIT在2025年的一项研究曾经指出过。企业生成式AI试点项目里有相当高的比例没能带来可衡量的业务收益。而且由供应商主导的部署成功率明显比纯内部自建团队要高。这说明什么呢说明检索到资料和资料真正解决业务问题之间隔着不小的距离。RAG技术本身是填不平这道鸿沟的。长上下文带来的冲击没有想象中那么致命长上下文模型的出现确实让不少中小型知识库、合同文本、代码仓库可以整份直接丢给模型去阅读。不用切块也不会打乱原本的文档结构看起来挺方便的。不过呢这不等于检索这件事就被淘汰了。恰恰相反企业数据体量太大、太敏感了。检索依然会存在只不过它的角色变了。从产品的核心逻辑降级成了整个工作流里的一个组件不再独占C位了。有意思的是什么呢行业里那种RAG已死的论调几乎每隔几个月就会冒出来一次。但是呢据多家市场调研机构的估算RAG相关市场每年还在以38%到49%左右的复合增长率扩张。2025年到2030年间的规模预计从不到20亿美元增长到近百亿美元级别。一个正在以这种速度扩张的技术门类你说它过时这个说法或许不够精确。更准确的说法是什么呢是它正在被重新定位对吧。Agentic RAG谁来掌握检索的主导权传统RAG的逻辑是什么呢就是检索器先替模型做决定。先召回若干条结果然后模型只能困在这个top-k候选池里作答。一旦第一步召回就出了偏差后面几乎就无力回天了。Agentic RAG呢换了一种思路。它让模型自己参与到检索过程当中去。先粗略搜索一下再打开具体文档定位关键段落对比不同来源的说法判断一下证据到底充不充分。整个动作更像是一位分析师在查资料而不是一个搜索框机械地吐出结果。这个转变对企业场景来说尤其关键。为什么呢因为很多真正有用的答案恰恰藏在那些不那么显眼但很关键的弱信号里头而不是语义上最相似的那一段文本。这其实也是那位腾讯面试官追问的核心——他说在鹅厂内部的Agent项目里RAG早就不是独立存在的了而是被拆成了Agent推理链条当中的一个调用步骤。有一个值得拿来参考的对比就是Anthropic近年推动的MCP也就是模型上下文协议。据公开报道呢这一协议截至2026年初已经被OpenAI、谷歌、微软等主要厂商给采纳了还捐赠给了Linux基金会。它逐渐成了AI智能体对接外部数据源的行业通用标准。这在某种程度上印证了一个判断。就是说未来竞争的重点会从谁的检索算法更准转移到谁的上下文调度层设计得更合理上面去。GraphRAG不是万能药也未必比想象中划算把实体和关系抽取成知识图谱呢理论上确实能提升多跳推理能力这一点是没错的。但是构建图谱的成本不低啊维护起来也很麻烦。尤其是当底层数据更新不及时的时候图谱反而可能比普通搜索更危险。为什么呢因为错误的实体关系会被包装成看起来很结构化的样子让人误以为它更可靠了。但实际上恰恰相反反而更不靠谱了。微软是较早把GraphRAG推向企业市场的公司之一。但即便如此呢行业里对图谱型检索的争议也从来没停止过。一部分从业者认为它更适合关系复杂、变化缓慢的知识领域比如说法律条文体系这类的。但在数据高频更新的场景里呢图谱维护的边际成本可能会盖过它带来的推理增益得不偿失。所以说啊未来真正重要的可能不是在vector RAG和GraphRAG之间二选一。更重要的是什么呢是路由能力。系统需要知道什么时候该用长上下文、什么时候用向量搜索什么时候该用关键词匹配、图谱查询、SQL甚至什么时候干脆交给人来处理更靠谱。这个判断能力才是关键。RAG工程师这个岗位可能会慢慢消失往后看呢切块、调参数、接框架这些操作会逐渐变成基本功。人人都会了嘛谈不上什么技术壁垒。真正稀缺的是什么人呢是能够设计整套上下文系统的人。这种人既要懂数据源和权限体系也要懂工作流和成本结构、安全边界还得清楚在具体业务里头什么样的信息才配得上被称为证据。这个要求其实挺高的。那位面试腾讯的粉丝后来和我说他终于明白为什么面试官会追问RAG的人应该往哪转了——因为未来的方向不是把RAG做得更好而是把RAG变成更大系统里的一个可靠零件。现实当中呢不少RAG项目最后活成了一个什么样子就是高级搜索框的样子。没有接入实际的业务动作没有评估机制没有权限治理也没有形成闭环。用户拿到一个答案之后呢还得自己判断、自己去执行后续步骤。这跟一个搜索引擎有什么区别呢真正有价值的AI应用应该是直接嵌入工作流里头的。不是笼统地说这里可能有风险而是要明确指出风险具体在哪、依据是什么、该由谁来审批。不是含含糊糊地说这个客户可能会流失而是直接去生成跟进动作、安排销售任务、写进CRM系统里头。这才叫有用嘛。从竞品生态的角度来看呢这也是LangChain、LlamaIndex这类偏框架型的工具和Glean、Onyx这类偏平台型产品之间的分野所在。前者更适合把RAG嵌入到自己产品里头的团队。后者呢则试图把检索之后怎么办这部分也一并解决掉直接对接到企业的实际业务动作当中去。RAG没死只是被并入了更大的系统里RAG没有消失检索这件事反而变得更重要了。只不过呢它被并入了一个更大的系统架构里头。就像现在嘛已经没什么人会把一款SaaS产品单纯叫作数据库应用了对吧。旧式RAG把企业AI这件事想得太狭窄了几乎就等同于知识库问答。但是到了2026年之后呢企业AI真正的主线已经变成了任务执行。模型需要理解目标、选择合适的工具、验证证据是不是可靠、处理意外情况然后把整个流程走完。这才是完整的链条。这才是RAG真正被淘汰的地方。准确地说呢它不是被某种更先进的技术给淘汰的。它是被企业对AI越来越高的期待给淘汰的。过去大家满足于AI能回答问题就行了现在的要求变成了什么呢是AI能对结果负责。传统RAG嘛面对这样的期待确实显得有点太轻了。最后还有一个补充性的疑问哈。企业在追求AI能对结果负责的同时呢治理和审计的成本会不会同步抬高毕竟一旦AI开始直接写入CRM、触发审批流程了出错的代价也从答错一道题变成了影响一笔业务。这个变化带来的治理压力呢大概率会是接下来两三年企业AI落地时绕不开的下一个难题。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】