InfoQ 中文T2·智能体与协同
62 分
文章指出朴素 RAG 的“查询→匹配→排序”流水线在生产环境中频繁失效,复杂度提升并未带来效果提升。Karpathy 的 LLM Wiki 与 PwC 的“Is Grep All You Need?”研究共同表明,检索正从召回算法转向由 Harness 动态编排多工具的决策框架,但纯 Harness + Grep 在大规模数据下仍有 Token 开销与重复探索的瓶颈,这正是 Agent 原生数据库的切入点。
Karpathy 提出将原始笔记由 LLM 编译为持续更新、带引用的可读知识库
文章指出朴素 RAG 的“查询→匹配→排序”流水线在生产环境中频繁失效,复杂度提升并未带来效果提升。Karpathy 的 LLM Wiki 与 PwC 的“Is Grep All You Need?”研究共同表明,检索正从召回算法转向由 Harness 动态编排多工具的决策框架,但纯 Harness + Grep 在大规模数据下仍有 Token 开销与重复探索的瓶颈,这正是 Agent 原生数据库的切入点。