很好奇 RAG 真的是现代 ai agent 所需要的吗，还有 langchian 这种框架，没有看到太多知名开源项目用到了

[murongxdb]

[ZimaBlueee]

知识库类的需求还是要的吧，不然还有什么替代呢

[murongxdb]

@ZimaBlueee 感觉知识库算不上符合 harness 规范的现代 agent

[ktyang]

我们尝试了一下效果并不是很好，反正现在不用了，也可能是我们自己菜。

[murongxdb]

@ktyang 是指的 RAG 还是 langchain 这种

[YanSeven]

同样好奇，尤其是好奇 langchain 的实际落地情况。

[Jiahim]

最近也在思考这个问题，探讨一下，在数据量不大的情况下，rag 可能并没有效果那么好，反倒成为一个额外的工作量。
现在如果是传统的文本切片做 rag ，其实当数据量大之后，一方面不一定准确，另一方面如果数据有变化后，所有相关的文本其实会面临过时且难以修改的问题。
现在大一点的项目可能会用基于知识图谱的 Rag ，这个可能在未来的落地后更可靠些。它可以维护住事物之间的关系，也能确保更新后是彼此正确的。

[hqmJoker]

我感觉还是有的（但没有真实数据），应该是用的大部分都是企业级产品，或者企业内部用的，消费者日常接触不到所以感受不深

就像我之前觉得 Angular 在国内基本没有企业会用吧（又长又臭的），但是实际是入职的三家公司有两家都是用的 Angular （虽然体量还是比 Vue 少多了，但是也有点刷新了我的看法）

“幸存者偏差”真的哪里都存在，就像你现在感觉没啥人 RAG 、langchian ，但当你接触到那个圈子之后，就会发现身边的人、企业全部都在用这些东西，为啥市面上还有人没听过？

[ZimaBlueee]

@murongxdb #2 像法律条文这种海量文件场景，不搞 RAG 怎么定位相关文件呢

[mjawp]

RAG 就是是一套固定 SOP 的 workflow 。

[juvenile1024]

longchain 还是太简陋了，用的更多的应该是 longgraph

[murongxdb]

@Jiahim 之前看过一个文章，说是 anthropic 公司做 claudecode CLI 的时候，初版就是用的 RAG 做文本的检索，但是后来他们发现 RAG 做起来很麻烦而且收益不是很大，就换成了 grep 命令检索文本，结果效果出奇的好，我目前能想到唯一能用到 RAG 的地方就是大文本的知识库系统，但是大文本的知识库系统跟现代的和 herness engineering 没太大关系

[murongxdb]

@hqmJoker 确实有“幸存者偏差”，但是阅读过很多优秀的 agent 开源项目，很少很少使用 langchain 的，是因为 langchain 这类框架不够好，还是根本没有用的必要

[skyemin]

阿里的 agentscope 咋样

[Jiahim]

@murongxdb #11
在程序员编码语境下的 RAG 可能确实价值并不大，但是如果是业务系统语境在的 AI Agent 可能还是有的，比如类似 chatbi 的系统，里面的 Agent 如果要生成报表生成 SQL ，需要知道各种隐性知识之间的关系，此时基于知识图谱的 RAG 作为 AI Agent 的隐性知识来源，就显得有价值了。

[Hstar]

先说 RAG, 当有数据的量级大到难以注入给 Agent 的文件系统时, 甚至量大到连数据索引都可能会超 100K token 时, RAG 才有必要. 大部分情况下直接把引用内容挂到 Agent 的文件系统里, 加三五行对文件结构的介绍, 让 AI 用 ls 和 grep 去使用, 效果就很好了.
再说 langchain, 我觉得定位于一个新 Agent 产品的 bootstrap 还是不错的. 迭代下去总会发现有不能满足的需求, 还有多余的功能. 在 AI 加持下参考基于 langchain 的项目代码, 再从头撸一个也不费什么事.

[murongxdb]

@ZimaBlueee #8 我感觉这种海量的场景，就直接针对场景训练模型吧

[murongxdb]

@Jiahim #14 这种场景，除了 RAG 还有没有更好的方案

[murongxdb]

@Hstar 海量数据情况下，RAG 的性能够不够

[Jiahim]

@murongxdb #17 应该说没有银弹，就是一直在更新，现在是多种检索方案去配合，简单的切片 RAG 、知识图谱、传统的 SQL 查询都会用到，还有一些模型识别 top N 等等。

[Chihaya0824]

@murongxdb 你是否在找
https://arxiv.org/html/2605.15184v1
前几天才看见这个 paper