近几个月Skill、Claude Code、OpenClaw 等工具与协议大行其道。相比之下前两年作为标配的 RAG 技术却鲜少被提及年初甚至出现了“RAG is dead”的论调。作为一直深耕企业知识库和 RAG 领域的工程师面对技术栈的快速变迁我想和同行们探讨一下知识库架构的下一步迭代方向。在展开探讨前我们需要先对2026年的技术底座设定两个基本前提模型原生智能的质变Zero-shot 推理、指令遵循以及长逻辑链规划能力已经极强。上下文窗口的突破长文本Long Context不仅容量庞大且信息提取大海捞针的衰减已逼近工程可接受的阈值同时 Token 成本在持续跳水。基于这两个前提过去我们习以为常的很多 RAG 架构设计正在不可避免地成为技术负债。一、RAG 未死但“Generation”已被彻底剥离准确地说传统 RAG 架构中的 “G”Generation生成阶段已经失去了在外部工程端进行重度干预的价值。过去两年为了弥补模型能力的不足我们在问答生成端做了大量复杂的“脚手架”工程梳理下来除开检索模型的微调很大一部分精力是在”生成端”——提示词工程、回答风格控制、专业领域适配、多轮对话的上下文管理……核心目标都是让模型”回答得更好”。但随着基座模型原生能力的飙升这些工作正面临快速贬值。模型本身已经具备了极高的专业表达和逻辑推理能力试图在外部管道中去“接管”或过度约束生成环节反而会限制模型的发挥边界。Agentic RAG 是出路吗目前业内流行一种做法用 Agentic RAG 来升级系统。即人为编排复杂的 Workflow或者构建路由智能体来决定如何检索。 从工程视角的推演来看这可能是一条弯路。这种做法的本质依然是对“控制流”的执念——将检索和处理的复杂度强行转嫁给一个不可控的中间态。随着底层模型越来越智能外部硬编码的 Workflow 很快就会成为系统的瓶颈。我们应该把复杂性下沉到数据治理层让模型面对的是一个结构化、高信噪比的知识体系而不是在混乱的数据上叠加一层层脆弱的逻辑路由。二、知识库的最终形态面向智能体的 Data Proxy (数据代理)当剥离了对“生成端”和“控制流”的执念后知识库的核心价值将回归到纯粹的底层数据基建。它不再是一个必须带有前端 UI 的完整问答闭环其最终形态应当演变为一个高度内聚的Skill或遵循 MCP 协议的 Server。无论调用方是代码助手、通用 Agent 还是企业内部系统这个 Skill 都将作为它们探索企业异构数据的唯一标准代理Data Proxy。要支撑起这个代理层未来的核心发力点主要集中在两个方向核心一异构数据治理从文本碎片到结构化知识单元真实的 ToB 场景中数据是一座座由多 Sheet Excel、复杂排版 PDF、带附件的汇报 PPT 构成的异构堡垒。传统 RAG 的“暴力切块Chunking”会彻底破坏文档原有的业务组织结构产出毫无关联的文本碎片。面对复杂关联业内常提的替代方案是知识图谱KG。但从实际落地来看传统的 E-R实体-关系抽取显得过于单薄。 举个例子一份重型工业排期 Excel。Sheet 1 包含 10 个工序明细嵌有设备实物图Sheet 2 是这批工序的全局耗材明细。 如果强行抽取图谱得到的往往是(工序)-[消耗]-(物料)这样干瘪的三元组而耗材的阶梯变化、批次要求等丰富的隐式业务信息则被丢弃。Data Proxy 的治理思路是重塑“知识单元Knowledge Unit”。不再输出固定大小的 Chunk而是基于文档原生结构将那 10 个工序构建为一个自带完整上下文的父级节点。同时直接将 Sheet 2 的图表作为资源附件Assets挂载到该节点下。 当模型命中这个节点时获取的是一个未经图谱“瘦身”、包含完整业务逻辑的结构化数据包。在这里结构本身就是不可或缺的知识。核心二渐进式搜索Progressive Search在将企业数据重构为带有层级和关联的“节点树”后如何将其交付给大模型最简单粗暴的方案是全量塞入超长上下文。但这会带来两个直接问题一是无关信息的引入导致信噪比SNR降低二是企业级高并发场景下难以承受的算力成本。更优雅的工程实现是渐进式披露Progressive Disclosure。我们赋予知识节点“可展开Expandable”的拓扑属性并向模型开放标准 APISearch全局定位用于获取顶层节点的摘要或宏观结构。Explore局部下钻用于展开特定子节点获取深度内容或多模态附件。这类似于构建了一个可供模型通过 API 游走的文件系统。Agent 先通过Search拿到概览如果信息足以支撑回答流程结束如果需要深挖则自主调用Explore展开特定分支。通过“自上而下概览”与“自下而上追溯”的双向结合我们将“对复杂文档的探索权”通过标准接口彻底交付给了模型。三、工程视角的 Trade-off 与开放探讨在内部推演这套架构时我们也面临着一些不可避免的工程妥协1. 检索延迟与调用成本的博弈渐进式搜索意味着单次问答可能涉及多次大模型与 Skill 的 API 交互Search - Explore - Generate这无疑会增加系统的整体端到端延迟Latency。但在 2026 年 Token 成本持续下降的前提下用一定的交互时间换取复杂业务问答的绝对准确性解决长文本幻觉在 ToB 场景中是一个合理的架构权衡。2. 拓扑结构的边界在哪目前的渐进式搜索主要依赖树形拓扑Tree层级节点拥有子节点的摘要。这对于单文档的内部治理非常高效。 但企业知识往往是跨文档强关联的例如《安全生产规范》约束了多份独立的操作 SOP。面对这种跨文档的约束纯树形结构就会遇到瓶颈。我们是否需要在 Data Proxy 内部引入轻量级的有向无环图DAG如何把握结构化的粒度避免重蹈早期知识图谱实施成本过高的覆辙这是目前仍需探索的技术盲区。3. 这个方案和传统 RAG 的本质区别是什么传统 RAG文档 → 碎片 → 向量检索 → 拼凑答案 新方案文档 → 知识单元树 → 渐进探索 → 结构化获取 一个是在碎片中找答案一个是在结构中找知识。前者假设”只要召回了足够多的相关碎片模型就能拼出答案”后者假设”如果保留了文档的结构信息Agent 就可以像专家一样系统性地获取知识”。 这两种假设的差异在复杂场景下会非常明显。结语RAG 并没有死去它只是在完成阶段性历史使命后褪去了在“生成端”过度包装的外壳回归到了数据基建的本质。当基座模型足够强大时知识库工程师的主战场不再是教模型“怎么说话”而是踏踏实实地做好底层数据的结构化解析与接口代理。构建一条能让机器智能高效读取企业异构数据的“高速公路”这才是下一个大模型周期里知识库技术真正的护城河。各位同行目前的架构迭代中遇到了哪些瓶颈想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线” 大模型快速发展，RAG（检索增强生成）会不会消亡呢？
近几个月Skill、Claude Code、OpenClaw 等工具与协议大行其道。相比之下前两年作为标配的 RAG 技术却鲜少被提及年初甚至出现了“RAG is dead”的论调。作为一直深耕企业知识库和 RAG 领域的工程师面对技术栈的快速变迁我想和同行们探讨一下知识库架构的下一步迭代方向。在展开探讨前我们需要先对2026年的技术底座设定两个基本前提模型原生智能的质变Zero-shot 推理、指令遵循以及长逻辑链规划能力已经极强。上下文窗口的突破长文本Long Context不仅容量庞大且信息提取大海捞针的衰减已逼近工程可接受的阈值同时 Token 成本在持续跳水。基于这两个前提过去我们习以为常的很多 RAG 架构设计正在不可避免地成为技术负债。一、RAG 未死但“Generation”已被彻底剥离准确地说传统 RAG 架构中的 “G”Generation生成阶段已经失去了在外部工程端进行重度干预的价值。过去两年为了弥补模型能力的不足我们在问答生成端做了大量复杂的“脚手架”工程梳理下来除开检索模型的微调很大一部分精力是在”生成端”——提示词工程、回答风格控制、专业领域适配、多轮对话的上下文管理……核心目标都是让模型”回答得更好”。但随着基座模型原生能力的飙升这些工作正面临快速贬值。模型本身已经具备了极高的专业表达和逻辑推理能力试图在外部管道中去“接管”或过度约束生成环节反而会限制模型的发挥边界。Agentic RAG 是出路吗目前业内流行一种做法用 Agentic RAG 来升级系统。即人为编排复杂的 Workflow或者构建路由智能体来决定如何检索。 从工程视角的推演来看这可能是一条弯路。这种做法的本质依然是对“控制流”的执念——将检索和处理的复杂度强行转嫁给一个不可控的中间态。随着底层模型越来越智能外部硬编码的 Workflow 很快就会成为系统的瓶颈。我们应该把复杂性下沉到数据治理层让模型面对的是一个结构化、高信噪比的知识体系而不是在混乱的数据上叠加一层层脆弱的逻辑路由。二、知识库的最终形态面向智能体的 Data Proxy (数据代理)当剥离了对“生成端”和“控制流”的执念后知识库的核心价值将回归到纯粹的底层数据基建。它不再是一个必须带有前端 UI 的完整问答闭环其最终形态应当演变为一个高度内聚的Skill或遵循 MCP 协议的 Server。无论调用方是代码助手、通用 Agent 还是企业内部系统这个 Skill 都将作为它们探索企业异构数据的唯一标准代理Data Proxy。要支撑起这个代理层未来的核心发力点主要集中在两个方向核心一异构数据治理从文本碎片到结构化知识单元真实的 ToB 场景中数据是一座座由多 Sheet Excel、复杂排版 PDF、带附件的汇报 PPT 构成的异构堡垒。传统 RAG 的“暴力切块Chunking”会彻底破坏文档原有的业务组织结构产出毫无关联的文本碎片。面对复杂关联业内常提的替代方案是知识图谱KG。但从实际落地来看传统的 E-R实体-关系抽取显得过于单薄。 举个例子一份重型工业排期 Excel。Sheet 1 包含 10 个工序明细嵌有设备实物图Sheet 2 是这批工序的全局耗材明细。 如果强行抽取图谱得到的往往是(工序)-[消耗]-(物料)这样干瘪的三元组而耗材的阶梯变化、批次要求等丰富的隐式业务信息则被丢弃。Data Proxy 的治理思路是重塑“知识单元Knowledge Unit”。不再输出固定大小的 Chunk而是基于文档原生结构将那 10 个工序构建为一个自带完整上下文的父级节点。同时直接将 Sheet 2 的图表作为资源附件Assets挂载到该节点下。 当模型命中这个节点时获取的是一个未经图谱“瘦身”、包含完整业务逻辑的结构化数据包。在这里结构本身就是不可或缺的知识。核心二渐进式搜索Progressive Search在将企业数据重构为带有层级和关联的“节点树”后如何将其交付给大模型最简单粗暴的方案是全量塞入超长上下文。但这会带来两个直接问题一是无关信息的引入导致信噪比SNR降低二是企业级高并发场景下难以承受的算力成本。更优雅的工程实现是渐进式披露Progressive Disclosure。我们赋予知识节点“可展开Expandable”的拓扑属性并向模型开放标准 APISearch全局定位用于获取顶层节点的摘要或宏观结构。Explore局部下钻用于展开特定子节点获取深度内容或多模态附件。这类似于构建了一个可供模型通过 API 游走的文件系统。Agent 先通过Search拿到概览如果信息足以支撑回答流程结束如果需要深挖则自主调用Explore展开特定分支。通过“自上而下概览”与“自下而上追溯”的双向结合我们将“对复杂文档的探索权”通过标准接口彻底交付给了模型。三、工程视角的 Trade-off 与开放探讨在内部推演这套架构时我们也面临着一些不可避免的工程妥协1. 检索延迟与调用成本的博弈渐进式搜索意味着单次问答可能涉及多次大模型与 Skill 的 API 交互Search - Explore - Generate这无疑会增加系统的整体端到端延迟Latency。但在 2026 年 Token 成本持续下降的前提下用一定的交互时间换取复杂业务问答的绝对准确性解决长文本幻觉在 ToB 场景中是一个合理的架构权衡。2. 拓扑结构的边界在哪目前的渐进式搜索主要依赖树形拓扑Tree层级节点拥有子节点的摘要。这对于单文档的内部治理非常高效。 但企业知识往往是跨文档强关联的例如《安全生产规范》约束了多份独立的操作 SOP。面对这种跨文档的约束纯树形结构就会遇到瓶颈。我们是否需要在 Data Proxy 内部引入轻量级的有向无环图DAG如何把握结构化的粒度避免重蹈早期知识图谱实施成本过高的覆辙这是目前仍需探索的技术盲区。3. 这个方案和传统 RAG 的本质区别是什么传统 RAG文档 → 碎片 → 向量检索 → 拼凑答案 新方案文档 → 知识单元树 → 渐进探索 → 结构化获取 一个是在碎片中找答案一个是在结构中找知识。前者假设”只要召回了足够多的相关碎片模型就能拼出答案”后者假设”如果保留了文档的结构信息Agent 就可以像专家一样系统性地获取知识”。 这两种假设的差异在复杂场景下会非常明显。结语RAG 并没有死去它只是在完成阶段性历史使命后褪去了在“生成端”过度包装的外壳回归到了数据基建的本质。当基座模型足够强大时知识库工程师的主战场不再是教模型“怎么说话”而是踏踏实实地做好底层数据的结构化解析与接口代理。构建一条能让机器智能高效读取企业异构数据的“高速公路”这才是下一个大模型周期里知识库技术真正的护城河。各位同行目前的架构迭代中遇到了哪些瓶颈想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”