📌 一句话摘要

本文从源码视角深入分析 Claude Code 为何弃用 RAG 而选择 Grep/Glob/Read 三件套加子 Agent 探索的检索方案，揭示了 Anthropic 信任 LLM 决策能力的设计哲学。

📝 详细摘要

文章以字节面试题「为什么 Claude Code 不用 RAG 检索代码，而是用 grep？」为引子，系统性地对比了 RAG 和 Claude Code 在代码检索场景下的设计差异。作者首先指出代码检索的核心问题是「从海量代码中精准捞出与任务相关的片段」，然后分析了 RAG 在代码场景下的五大痛点：切片破坏代码结构、向量近似匹配不精确、索引滞后于代码变更、冷启动慢、以及黑盒不可解释。接着，文章深入 Claude Code 源码，详细拆解了其检索三件套：Grep（基于 ripgrep，权限统一、输出结构化、性能高）、Glob（按文件名查找，按修改时间排序）、Read（按需读取，不缓存不索引）。对于复杂探索任务，Claude Code 通过派 Explore 子 Agent 来隔离上下文污染，实现多轮迭代检索。文章最终总结了六大原因和两种设计哲学：RAG 是「替模型做决定」，Claude Code 是「把决策权还给模型」。

💡 主要观点

1. Claude Code 弃用 RAG 的核心原因是代码场景的结构化、精确性和实时性需求与 RAG 的模糊匹配、索引滞后等特性不匹配。 RAG 在自然语言文档检索上表现优异，但代码有严格结构，切片会破坏函数完整性；向量近似匹配无法精确找到特定函数名；索引需要频繁重建以应对代码变更，冷启动慢且不可解释。
2. Claude Code 采用 Grep/Glob/Read 三件套，让 LLM 像程序员一样自主、多轮迭代地检索代码。 Grep 基于 ripgrep 提供精确的关键字搜索，Glob 按文件名模式查找，Read 按需读取文件内容。模型在每一步根据上一步结果决定下一步搜索方向，形成「走一步看一步」的循环，而非 RAG 的一次性召回。
3. 对于复杂探索任务，Claude Code 通过派 Explore 子 Agent 来隔离上下文污染，保护主 Agent 的注意力。 当任务需要超过 3 次查询时，主 Agent 会派遣一个独立的子 Agent 去执行检索，子 Agent 的中间结果不会污染主 Agent 的上下文，最终只返回精简结论，实现上下文压缩。
4. Claude Code 的设计哲学是信任 LLM 的决策能力，工程的角色是提供工具而非替模型做决定。 RAG 的潜台词是「LLM 不够强，需要工程手段帮它准备材料」；Claude Code 的潜台词是「LLM 已经足够强，把决策权还给它」。Anthropic 押注模型会越来越强，这是一个长期主义的选择。

💬 文章金句

• Claude Code 不用 RAG 是基于三层考虑。第一，代码场景下 RAG 有切片破坏结构、向量近似不准、索引滞后等本质问题；第二，Claude Code 用 Grep 加 Glob 加 Read 三件套加上派子 agent 探索的设计，本质上是把检索决策权还给 LLM 自己，配合多轮迭代循环实现精准定位；第三，更深层是 Anthropic 信任 LLM 的能力，押注模型会越来越强，所以选择「不替模型做决定」的设计哲学。
• RAG 派的潜台词是：LLM 不够强，所以我们要用工程手段帮它把材料准备好。chunking、embedding、向量召回，本质都是「替模型做决定」。
• Claude Code 派的潜台词是：LLM 已经足够强，工程的角色是给它准备好工具，把决策权还给它。grep 不替模型做任何决定，它只是个工具。
• Agent 不是带工具的聊天机器人，而是会自己做决策的执行体。工程师的职责是给它一套好用的工具，而不是替它做决策。

📊 文章信息

阅读完整文章