今年AI模型圈分成了两派。
一派以奥特曼、周鸿祎为代表，坚定地押注大语言模型。
另一派以杨立昆、李飞飞为代表，认为世界模型才是未来。
而关于RAG技术，也一样撕裂：
有人说RAG是最行之有效训练AI、降低幻觉的方案，是微调的平替。
有人说RAG本质就是个数据库，和AI根本没关系。
我自己？
说实话，我现在坚定地选择后者。
RAG的本质问题
RAG的逻辑是：通过向量匹配，找出和用户问题最相似的内容。
这个逻辑用在客服、FAQ场景，确实很合适。
用户问："你们营业时间是几点？"
RAG检索到："营业时间9:00-21:00"
完美。
但如果场景变了呢？
客户案例：测评方案
有次，我给一个做人才测评的机构做AI方案。
他们有一套心理测评系统，积累了十几年的专业内容，包括不同场景下的测评题库、评分标准、测评维度解读。
一开始我想得挺简单：把这些内容全部丢进RAG，让AI去检索匹配，这样就能快速给出测评建议了。
结果呢？
AI给出的建议总是有问题。
比如，看这张图。
当人群1在场景1的情况下，哪些测评工具最适合？
显然是A、B，非常简单，那我是不是就可以直接把这个表放进RAG呢？ok，没问题。
那如果其实他们的方案是这样的呢？
而且里面每一个工具名都特别长，这样的一张表根本就切不成一个完整的块，因为RAG的每一个块长度有上限。
当我做了什么样的尝试？
当你仔细观察这个表，其实就是二维表取交集对吧？那我们直接把每个场景，每类人群能用的工具列出来不就好了？
那么以场景1和人群1拆解为例：
场景1适用工具：A、B、D
人群1适用工具：A、B、C、D
那么他们取交集是什么？
没错，是A、B、D。 这显然不正确。
所以有的时候，问题无法直接被简单的拆成子问题。
类似的问题还有很多。
示例一：书籍问答
给AI一本它没看过的小说，用RAG切块喂给它。
你问："主角是怎么从小白成长为高手的？"
RAG会怎么做？
它会检索出所有跟"成长""高手"相关的段落。
但问题是：
主角的成长历程，是分散在各个章节的。
- 第3章他遇到了挫折
- 第7章他顿悟了某个道理
- 第12章他突破了瓶颈
- 第18章他终于成为高手
这些内容是有连贯性的，是有因果关系的。
但RAG切块之后，这种连贯性就丢了。
你得到的是一堆碎片化的信息，AI根本拼不出完整的成长轨迹。
示例二：法律咨询
某个法律条文，可能分散在不同的法条里。
比如判断一个合同是否有效，需要同时参考：
- 合同法的相关条款
- 民法典的补充说明
- 最新的司法解释
- 相关的判例
这些内容之间是有逻辑关系的，不是简单的堆砌。
但RAG怎么做？
它会把这些内容检索出来，然后交给AI。
问题是：AI能理解这些法条之间的优先级吗？能理解哪些是核心依据、哪些是补充说明吗？
很难。
最后AI给的建议，就是"看起来很专业，但实际上经不起推敲"。
我为什么不再相信RAG能帮助AI？
其实不是RAG不行，是我发现：
在很多场景下，RAG的代价太高了。
你需要：
- 精心设计切块策略
- 优化检索算法
- 标注关联关系
- 处理边界情况
投入这么多时间和精力，最后效果还是差强人意。
为什么？
因为RAG本质上就是个数据库增强检索，它不能让AI"理解"你的内容。
它只是让能"找到"相关内容。
找到和理解，是两回事。
所以我现在的选择是：
如果是简单的问答场景，RAG可以用。
但如果需要连贯性、需要推理、需要综合判断，甚至不如直接把内容一次性的丢到提示词里，当做上下文的一部分。
可能有人会说："可是这样成本高啊！"
是的，确实高。
但你算过优化RAG的成本吗？
那些无休止的调试、那些难以根治的错误、那些让人抓狂的边界问题。
这些成本，大部分时候比所谓的滥用Token高出太多了，而未来Token的成本依然会再继续下降、下降、再下降。
写在最后
我不是说RAG没用。
我只是说：不要迷信某一种技术路线。
适合你的场景，才是最好的。
如果你也在纠结要不要用RAG，不妨先问自己三个问题：
- 你的业务场景，是简单问答还是复杂推理？
- 你的内容，是独立的知识点还是需要连贯性？
- 你愿意为优化RAG投入多少时间和精力？
想清楚这三个问题，你就知道该选哪条路了。
往内看，找到适合自己的技术路线，比盲目跟风重要得多。
