用户问一句 退货政策是什么知识库找到了几段相关文字模型也给出了流畅的回答但这些文字可能分别来自淘宝、京东和亚马逊适用条件并不相同这类问题说明找出语义相似的内容只完成了知识问答的一部分系统还要判断资料属于哪个业务、上下文是否完整以及是否需要继续查找除了提前把文档切片、建立检索索引还可以让 Agent 保留资料的文件结构在处理任务时逐步查阅Skill 的references/就能承载这种按需读取的资料两种方式也可以配合使用RAG 如何把资料交给模型RAG 的全称是 Retrieval-Augmented Generation即检索增强生成常见的向量检索实现先把文档拆成较小的片段再用 Embedding 模型把片段转换为向量存入向量数据库用户提问时系统也把问题转换为向量找出语义上最接近的若干片段这些候选片段通常称为 Top-K随后进入模型的上下文供模型生成答案这种做法能够从大量资料中快速筛选相关内容但切片方式会影响答案质量如果一个条款的适用条件在前一节例外情况在后一节只取中间一段模型就可能拿到不完整的依据纯向量检索也有自己的盲点退货政策 可能命中不同平台的相似规则而产品编号、错误码、函数名等需要精确匹配的内容未必能仅靠语义相似度准确找到这些问题需要通过检索设计解决例如把关键词检索与向量检索结合并在片段中补充所属文档的上下文再对候选结果重排序可以改善单纯依赖向量相似度的效果Anthropic 的 Contextual Retrieval 方案就采用了这样的思路Skill 的 references 如何组织知识Skill 可以把任务说明与参考资料放在同一个目录中SKILL.md说明这项技能什么时候适用、应该如何执行references/保存执行时可能需要查阅的资料以售后知识库为例退货政策、换货流程、产品编号表可以分别保存在普通文件里目录名、文件名、章节以及文件之间的引用关系都能为 Agent 提供查找线索这里的关键是按需加载按照 Agent Skills 规范Agent 先通过name和description了解技能的用途在激活技能后读取SKILL.md再根据具体需要加载参考文件这一机制称为 渐进式披露它让 Agent 先知道有哪些能力和资料入口再逐步获取完成当前任务所需的细节遇到退货问题Agent 可以先看目录根据文件名判断资料范围用 Glob 匹配文件路径用 Grep 搜索关键词再打开命中的章节如果读到某条规则引用了其他条款就继续查阅对应内容前一次查找的结果会影响下一次查找的方向这种文件查阅方式不要求预先建立向量索引也不要求一次把整个知识库装进上下文不过references/本身只是资料目录保留文件结构能提供更多线索能否找到正确内容仍取决于资料组织、技能指引和 Agent 的工具使用能力两种方式的差别在哪里把常见的向量切片方案与基于文件的按需查阅放在一起可以从四个方面理解它们的差别比较维度常见的向量切片方案基于 references 的按需查阅准备工作提前解析、切片、生成向量并建立索引保留文件用目录和技能说明提供入口读取单位通常先召回片段再组织上下文按任务读取文件、章节或表格等内容查找过程检索系统先筛选候选内容Agent 根据已有结果决定继续查什么资料更新更新内容后需要同步相关索引修改源文件即可供后续读取可用 Git 追踪变更资料更新是一个实际的维护差别文件方案能够直接修改政策文件并保留版本记录向量检索方案则需要让索引与源资料保持一致避免继续召回旧规则这并不意味着 RAG 每次更新都必须重建整个知识库支持增量更新的系统可以只处理发生变化的文档或片段同样RAG 也可以保留章节信息、补读相邻内容或者由 Agent 发起多轮检索上表比较的是两种常见实现的工作重心实际系统可以组合这些能力从代码查阅理解按需获取上下文假设用户问这个项目的登录是怎么做的Agent 可以先看项目结构再搜索login、auth、路由和中间件等线索找到相关文件后继续沿着import和函数调用关系查清登录入口、会话处理与令牌生成之间的联系如果实现细节还不明确就继续查看测试、配置和 Git 历史每次读取都在缩小问题范围并为下一步提供依据这个过程的价值在于Agent 可以根据任务逐步建立理解它既能利用文件内容也能利用路径、命名和依赖关系Anthropic 将这种在需要时动态获取资料的方式称为 just-in-time context其上下文工程说明介绍了 Claude Code 如何结合预先加载的说明与 Glob、Grep 等工具按需查阅工作区资料Skill 的参考文件也可以采用相同思路先提供清晰的入口和读取规则再让 Agent 根据当前问题加载必要内容这种方式对模型能力有要求Agent 需要理解指令、选择工具、判断查找结果并在发现缺口时继续探索工具调用越多通常也意味着更高的时间和上下文成本随着长上下文和工具使用能力的发展更多任务可以交给 Agent 自主查阅但模型能力增强并不会消除大规模资料检索的需求也不能保证文件查阅在所有任务上都更好哪些场景仍然适合 RAG是否需要专门的检索系统可以结合资料规模、提问方式和服务要求判断资料规模很大面对数百万份工单、邮件、合同、研报或客服记录先通过索引筛出候选资料通常比让 Agent 逐个探索文件更实际用户描述模糊用户只记得大意不知道准确关键词语义检索可以帮助找到相关表达给后续阅读提供起点延迟和并发要求高在线客服等场景需要持续处理大量请求预先建立索引有助于减少查询时的探索步骤具体性能仍需结合实现验证资料保存在外部系统知识已经分布在工单平台、数据库、邮箱或企业文档中心时可以通过检索接口访问无须全部搬进本地文件夹这些场景可以把检索能力作为工具交给 Agent例如通过 MCP 暴露一个search_knowledge工具由后端完成关键词与向量混合检索、结果重排序再把候选资料返回给 Agent 阅读Skill 则负责说明什么时候需要调用这个工具、如何组织查询以及应该获取哪些字段MCP 提供工具接入方式实际的检索逻辑由背后的服务实现这样Skill 组织任务流程检索服务处理大范围资料筛选Agent 负责结合上下文继续判断把知识访问组织成三层对于同时具备本地参考资料和外部知识源的 Agent可以采用逐步扩展查找范围的方式第一层用 SKILL.md 和目录结构引导查阅先让 Agent 明确资料范围、文件用途和执行规则知道应该从哪里开始第二层用 Glob、Grep 或其他本地文本搜索精确定位根据文件路径、关键词和已发现的引用找到相关章节并读取理解规则所需的上下文第三层在内部资料不足时调用外部检索系统通过 MCP 访问更大范围的知识源再依据返回结果继续阅读和判断回到退货政策的例子Agent 可以先确认适用业务定位相应政策文件再核对条件和例外如果资料中没有所需规则或用户的描述无法映射到明确关键词就扩大检索范围借助外部搜索寻找候选资料这种分层方式把资料导航、精确搜索和语义检索连接起来每一层都为下一步提供线索也让系统能够根据问题选择合适的查找路径知识库接入 Agent 时需要同时设计资料入口、上下文保留方式和检索工具文件结构清晰、适合逐步阅读的资料可以放进 Skill 的参考文件规模庞大或需要语义召回的资料则可以交给专门的检索服务