都说接知识库就上 RAG，Claude Code 为什么偏没有向量库？

照着正篇造一个 SW-engineer agent能跑之后第一件卡住的就是接知识库我第一次一股脑塞进 skill 的 reference结果 agent 读不完、也选不准。一句话立场知识库不是「选 Skill 还是 RAG」是按形态分层、各接各的。先把术语翻成人话知识库agent 脑子里没有、要用时去取的资料规范、文档、代码、工单Skill一份写给 agent 的「怎么做」说明书要用时整篇读进来RAG / 检索资料太多读不完按语义只捞最相关的几段MCP把外部系统或检索包成 agent 能调的「工具」的标准接口agentic searchagent 自己用 grep、读文件去翻像人一样翻代码一、面试现场面试官提问“都说接知识库就上 RAG那 Claude Code 为什么偏没有向量库”Agent 平台面。面试官你拿 Claude Code 这种 harness 当底座造一个 SW-engineer agent公司知识库编码规范、几千篇设计文档、历史工单怎么接进去候选人想当然把文档丢进 skill 的 reference 不就行了面试官摇头。这题看似问 Claude Code 的取舍实考你能不能区分「程序性知识」和「事实性大语料」前者是「怎么做」规范、流程小到能写成一份 Skill 整篇读后者是几千篇文档读不完、只能靠检索按语义命中。**直接回答**向量库不是接知识库的默认答案——知识按形态分层各走各的机制。二、大多数人怎么答的典型翻车回答“知识库就是把文档丢进 skill 的 reference 文件夹。”这句话只对了最小的一块。Skill 的 reference 是**「文件级整读」不是「检索」**agent 看到 skill 描述觉得相关就把整个 reference 读进来。这只在语料小到能整篇读、且能靠文件名选对时才成立。几千篇设计文档塞进 referenceagent 根本读不完也选不准。我认为这个误区的根是把「程序性 how-to」和「事实性大语料」混为一谈接法天差地别。**但别停在「大的上 RAG、小的塞 skill」这种谁都会说的道理上。**最反直觉的是Claude Code截至 2026-06对当前代码库根本没有预建向量库 / RAG 索引——打开你机器的~/.claude/就能验证。下面直接拆开它看顶级 harness 真到接知识这层怎么分工。三、拆开 Claude Code它为什么没有向量库不卖关子Claude Code 接知识不靠一个代码库向量索引而是按知识形态分流到四条路每条都能在~/.claude/里亲眼翻到。先看分流表再拆三个最易错的点。知识长什么样接法Claude Code 里对应小、稳、项目级约定CLAUDE.md / memory 常驻会话开头自动加载程序性「怎么做」Skill整篇读~/.claude/skills/能按文件名导航的代码文件工具 agentic searchGrep / Glob / Read 现翻大、非结构化、读不完RAG 检索藏在工具后本体没有靠 MCP 接要查活系统(DB/工单)MCP 暴露成工具.mcp.json① Skill 是「文件级渐进披露」不是检索这是最常被混的一点Claude Code 平时只把每个 skill 的namedescription载入上下文这是一个索引只有模型觉得某个 skill 相关、真去调用才把SKILL.md全文读进来。打开~/.claude/skills/就能看到一个 skill 一个目录、一份带 frontmatter 的 SKILL.md。所以 reference 适合「程序 how-to 小到能整读的资料」走的是整篇读那条路按语义捞片段是 RAG 的活。**违反后果**把几千篇文档塞进 reference 指望整读窗口直接吃爆第 4 课还选不准该读哪篇这正是「全塞 skill」翻车的机理。② 能导航的代码Claude Code 故意不建向量库这是它最值得抄的赌注。面对整个代码库Claude Code不预先做 embedding 索引而是用Grep/Glob/Read像人一样现翻它改文件前总是先 grep、先 Read不是去查预建向量库。因为代码能按文件名、目录、符号导航让模型现翻比维护一个会过期的向量索引更准、更省。这是它对「可导航代码知识」的有意选择。注意别把这句话泛化成「Claude Code 完全没有任何语义搜索」源码里有 past-session 的 agentic semantic search但那不是当前代码库的向量库 / RAG。**违反后果**给本来能 grep 的知识硬上 RAG等于多养一个会漂移的索引、还把准确率拖低索引和代码一不同步召回就开始骗你。③ 真·大语料 「检索即工具」RAG 藏在工具 / MCP 后面只有「大 非结构化 没法靠文件名导航」的语料几千篇 wiki、历史工单、客服 KB才真正需要 RAG。但正确接法是把检索包成一个search_knowledge工具语料留在外面、agent 要用时调用、拿回 top-K。Claude Code 本体没有 RAG却给了接法外部检索做成一个 MCP serveragent 当 client 调。它的 deferred 工具也是要用时才靠ToolSearch取 schema和记忆的MEMORY.md索引、技能的 name/description 索引同一招「索引 按需展开」。RAG 的 top-K 就是这招的极端版语料大到连索引都要靠语义命中。**违反后果**把大语料直接灌进上下文或 skill窗口爆、还命中不准把 RAG 散在 agent 逻辑里不收进工具换框架就得重接一遍。**我的优先顺序**先按「这块知识能不能整篇读、能不能 grep」分流能就别上 RAG只有「大 读不完 没法导航」的才值得检索且一定藏在工具后面。Claude Code 对代码库不建向量库不是它弱是它把每类知识放对了层。四、面试官追问链追问 1“接了七八个 skillagent 到底怎么挑会不会选错、或者一股脑全读进来”会。skill 的namedescription就是检索键——写含糊agent 要么召不准、要么把不相关的全读进来。两条硬约束一个 skill 只干一件事description 写「什么时候该调我」不是「我是什么」。真到几十上百个再给 skill 加一层「先筛后展开」还是「索引 按需展开」那招。粒度没抠好分层接得再对agent 到门口也挑错门。追问 2“就几十篇 FAQ也值得上 RAG 吗”不值得。能塞进一份 skill 整篇读、或能 grep 到的别上 RAG平白多养一个会漂移的索引外加一整套召回评估负担。RAG 的收益只在「大 读不完 没法导航」时才出现。这是 S3 那条老结论的延伸GraphRAG 救不了一个本可整篇读的 FAQ。先估知识的量级和形态再决定要不要付检索这份成本。追问 3“知识库接进来了怎么判断检索到底好不好”「接进来」只是布线「检索准不准」是另一件事。离线先攒一组真实问题、标好该命中的文档再量两个指标hitk看前 k 条找没找到、MRR看正确资料排第几。达标再上线别让 agent 拿一个召回 30% 的检索器去答。我认为能讲清「接法分层」是及格能接着讲「拿 hitk / MRR 验收」才算做完这正是 S3《面试深水区》的主场。五、给你的 agent 接知识库四步分层把分流落到造一个 SW-engineer agent 上下面四步、每步对应一类知识。STEP 1 · 先把知识按形态分堆把要接的东西摊开归类能整篇读的 how-to、小稳事实、能 grep 的代码、读不完的大语料、要查的活系统。分堆决定每块走哪条路这一步省了后面一定接错层。↳ 关键先问形态再选机制。STEP 2 · 小事实进 CLAUDE.md程序 how-to 写成 Skill项目约定用什么栈、PR 怎么提写进CLAUDE.md常驻编码规范、测试 playbook、排障流程这类「怎么做」照搬 Claude Code 写成 Skill一个SKILL.md frontmatter只把 name/description 当索引。↳ 关键程序性知识整篇读别指望它能检索。STEP 3 · 当前代码库给文件工具 agentic search让 agent 用 grep / 读文件现翻当前代码库别为它预建向量索引学 Claude Code 对代码的赌注。能导航的知识现翻比检索更准也更省维护。↳ 关键可 grep 的不上 RAG。STEP 4 · 大语料才上 RAG且包成一个工具 / MCP server几千篇设计文档、历史 incident 这类大语料才上检索收进一个search_knowledge工具或 MCP server再在对应 Skill 里写一句「要事实就调它」。Jira / CI / 监控这些活系统同样走 MCP。↳ 关键检索即工具Skill 编排它RAG 命中它。**↳ 一句话验收**给你的 SW-engineer agent 抛一个冷门内部 API**它是 grep 得到、还是调search_knowledge拿得到**两条路都没有说明那块知识根本没接进来agent 只能瞎猜。六、本课总结一句话总结接知识库不是「选 Skill 还是 RAG」的二选一是按知识形态分层、各接各的、还叠着用。Claude Code 的答案最反直觉它对当前代码库压根没有预建向量库 / RAG 索引——顶级 harness 接知识赌的是把每类知识放对层不是给全库建一个大索引。面试锦囊**先说**先把题纠回来这不是「Skill 还是 RAG」的二选一它俩不在一层。Skill 管「何时、怎么去查」RAG 管「在大语料里命中」。**再说 Claude Code 怎么落地**它对当前代码库没有预建向量库 / RAG 索引——小事实进 CLAUDE.md、how-to 写 Skill、代码 grep 现翻、大语料才 RAG 且藏在工具后。打开~/.claude/能验证。**最后补**先按形态分流能整读 / 能 grep 的别上 RAG再把大语料的检索收进一个search_knowledge工具接进来之后还得用hitk/MRR验收检索准不准S3 那一季的主场。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】