起因
看到了一篇文章(juejin.cn/post/763149…) ，上面说了为什么RAG现在没有之前讨论度高了。然后就想结合AI制药的这个业务场景搞明白这件事情-是否需要RAG，在什么情况下使用RAG。
现在的理解(2026-08-08)
RAG热度下降的原因
- Skill + tool 足够应对大部分的ToC产品，像Claude Code、Codex这种Agent。大部分某个技能的专业知识本质就是结构化的逻辑判断、经验规则，而这些东西天然就是skill的主战场，不需要用RAG。只有面对海量、无法规则化的细节数据时才真正需要 RAG。
- 综合成本高。
- LLM本身的大模型不断升级，context windows从早期的4K到现在200K+，可以塞下大部分内容。
- 现在大量的Agent应用都是ToC，自然RAG用的就不多。
在AI制药的应用场景下，RAG的用武之地
RAG在AI制药场景下用处非常大。
- 零幻觉容忍：毕竟制药人命关天，大模型随机乱编是致命的，RAG强制让大模型基于检索到的事实回答问题，且每一句回答都可以溯源到具体的文献、专利或实验ID。
- 知识的时效性与私密性：RAG无需重新训练大模型，即可动态接入每日更新的外部文献和高壁垒的私有数据。
- 结构化和非结构化的桥梁：制药数据涵盖文本、分子 SMILES、蛋白质序列、表格、知识图谱等，RAG（尤其是结合了 GraphRAG 的多模态检索）能够很好地将这些异构数据串联起来。
总结
RAG在ToC的产品中没那么广泛的应用场景，但是在数据量大、精确度要求高、商业价值极高且强调合规的 toB 垂直领域（如 AI 制药），RAG 是不可替代的技术底座。
