rag系列文章目录

---

---

前言

ai coding已经成为程序员的标配，越来越多的程序员已经从写代码角色转变为评审代码角色。但是呢，尽管大模型的能力越来越强，在不完全了解业务背景的情况下，它还是会写错。面对这种场景，人们想到的是增加知识库，那么如何使用知识库呢？

---

一、传统RAG

提到知识库，人们首先想到的是RAG知识库，它将知识切割分片，然后索引（这里可以是向量数据库或者ES），以供查询。如果claude code接入RAG知识库，还需要增加MCP，进行调用接口查询。

RAG 做的事情

• “帮你找资料”
  例如：

查接口定义
查SQL写法
查配置说明

本质：外部知识补充

二、File-Based知识库

file-based knowledge graph和传统 KG 完全不是一类东西，本质上更接近：
“基于文件系统的结构化记忆 + 关系索引 + 持续演化的上下文系统”
不是 Neo4j 那种，而是：

• Markdown / YAML / JSON 文件
• 带弱结构（标签、引用、路径）
• 关系感知（通过目录 / 引用 / 规则推断）
  核心结构

/knowledge
  /concepts/
  /patterns/
  /decisions/
  /bugs/
  /learnings/
  INDEX.md

knowledge/INDEX.md 充当路由器。它会首先读取该文件，然后仅深入到与当前任务相关的文件夹中。

File-KG 做的事情

• “让 AI 记住你的项目”

例如：

这个系统用Redis是因为...
这个接口必须幂等
这个坑之前踩过
这个模块必须先调用A再调用B

本质：项目内知识沉淀

三、对比

RAG和file-based knowledge graph区别

维度	RAG	File-based KG
数据来源	静态文档	运行中产生，或手动整理
结构	无结构	半结构（schema + tag）
更新方式	手动/离线	自动沉淀（自进化）或人工补充
粒度	文档片段	原子知识（pattern/decision）
目标	recall信息	构建长期“记忆体系”

它们之间的幻觉控制能力

能力	RAG	File-KG
抗幻觉	中	高
原因	相似度匹配	明确历史事实

成本 vs 收益

维度	RAG	File-KG
初期成本	低	中
长期价值	中	极高（复利）
是否越用越强	❌	✅

---

总结

RAG的出发点，是让大模型有外挂的知识，避免有些数据没有经过训练回答，回答的效果不好，也可以作为长期记忆。file-based knowledge，是让AI有记忆，按需加载知识，使用起来更方便，可以及时进行更新补充，这种方式是更适合程序员使用的方式。

参考文档