Claude Code 中 RAG 落地的技术实践
声明：📝 作者：甜城瑞庄的核桃（ZMJ）
原创学习笔记，欢迎分享，但请保留作者信息及原文链接哦～
1. RAG 应用概述
1.1 什么是 RAG？
RAG的全称是Retrieval-Augmented Generation，中文叫检索增强生成。它是一种结合了"信息检索"和"文本生成"的人工智能技术架构。
简单理解：让大语言模型在回答问题前，先"查资料"，再根据查到的资料来回答。
1.2 为什么需要 RAG？
普通的大语言模型（如 ChatGPT）就像一个只学过教科书的学生，知识只截止到训练数据的时间点。当问到最新信息或专业领域细节时，它可能会：
- 编造答案（产生"幻觉"）
- 回答"我不知道"
- 给出过时或通用的信息
RAG 就是为了解决这些问题而出现的。
1.3 RAG 是怎么工作的？（三步走）
想象一个开卷考试：
检索（查资料）
当你问一个问题，RAG 系统会立刻去一个"知识库"（比如公司内部文档、最新的网页、产品手册）里搜索，找出与问题最相关的几个片段。增强（组合信息）
系统会把"你问的问题"和"搜到的相关片段"打包在一起，形成一个新的、内容更丰富的提示词。生成（回答问题）
大语言模型拿到这个提示词后，只根据提供的资料来组织语言、生成答案。这样答案就既有依据，又自然通顺。
1.4 一个形象的比喻
- 传统大模型= 一个记忆力超强但不看书的闭卷考生。你问他历史事件，他只能凭记忆答，记错或没学过就会瞎说。
- RAG 应用= 一个允许带着参考书进考场的考生。你问什么，他立刻去翻书（检索），找到相关段落，然后用自己的话概括出来。答案有书为证，更可靠、更新。
1.5 RAG 的核心优势
- 知识更新快：知识库变了，答案就变了，无需重新训练模型。
- 减少幻觉：基于检索到的证据回答，极大降低了胡编乱造的可能。
- 可溯源：可以展示答案来自哪份文档，让你去核实。
- 利用私有知识：企业可以把内部手册、合同、邮件建成知识库，让 AI 成为内部专家，而数据不离开公司。
- 成本低：相比微调大模型，RAG 更便宜、更灵活。
1.6 典型的 RAG 应用场景
- 智能客服：根据最新产品手册回答用户问题（例如：“我手机连不上 Wi-Fi 怎么办？”）。
- 企业知识库问答：问公司内部政策、流程、历史项目文档。
- AI 研究助手：帮你从海量论文中提取相关信息来回答特定问题。
- 实时信息助手：结合搜索引擎，让 AI 查询今天的新闻、股价、天气。
- 法律/医疗咨询：根据给定的法律条文或病历资料，提供更严谨的建议。
1.7 与"微调"的区别
- 微调：让模型学习新知识，改变其"思维方式"，适合长期、通用的风格或任务改变。
- RAG：让模型查询知识库，提供最新、具体的"事实"，适合动态、需要溯源的场景。
1.8 总结
RAG 应用 = 大语言模型 + 外部知识检索
它让 AI 从一个"依赖记忆的聊天机器人"，进化成“会查阅资料的智能助手”，是目前解决大模型时效性差、容易产生幻觉和无法利用私有数据等核心痛点的主流技术方案。
2. Claude Code 的 RAG 实践：官方智能体检索 vs 社区集成
Anthropic 官方在 Claude Code 中并未采用传统 RAG 架构，而是创新性地实现了智能体检索（Agentic Search）。同时，社区通过 MCP（Model Context Protocol）和 Skills 机制，为 Claude Code 扩展了完整的传统 RAG 能力。
2.1 官方方案：智能体检索（Agentic Search）
2.1.1 核心机制
Claude Code 基于超大上下文窗口（支持百万级 Token）和提示缓存技术，让 AI 模型自主调用grep、glob、ls、read等基础工具，进行多轮、迭代式的信息查找。整个过程由模型动态决策，类似人类开发者使用命令行探索代码库。
2.1.2 四层上下文注入架构
Claude Code 通过以下四层渐进式加载信息，避免撑爆上下文窗口：
| 层级 | 名称 | 内容 |
|---|
