最近罗小黑(化名)听说Agent开发很好面试，薪资也高，于是就预约了面试，面试的时候面试官说我看你的简历里提到对 AI、Vibe Coding、Agent 有很深的理解。刚好我对这些前沿技术也了解，那我们就从最简单基础的开始吧。公众原文
👨‍💼面试官：很多 AI Coding 产品都在宣传自己用了 RAG（Retrieval-Augmented Generation），那你先解释一下什么是 RAG？
🧑‍💻求职者：RAG 本质就是把需要的信息提前建立索引，在模型回答之前先检索，再把检索结果拼接进 Prompt。流程一般是：

用户问题
│
▼
Embedding
│
▼
向量数据库
│
Top K Retrieval
│
▼
LLM

例如：

整个项目
│
切分 Chunk
│
Embedding
│
Vector DB
用户："LoginService 在哪里？"
↓
Retriever
↓
找到最相关几个 Chunk
↓
LLM 回答

👨‍💼面试官：既然 RAG 这么优秀，为什么像 Aider、Cline 还有 Anthropic 官方出的 Claude Code，作为目前最顶尖的 AI 编码工具，它们无一例外都放弃了传统基于向量数据库的 RAG（检索增强生成）机制。你觉得这是为什么？
🧑‍💻求职者： 这是一个非常深刻的架构选择。简单来说，传统的向量 RAG 机制在“代码”这种高度结构化的数据面前，遭遇了水土不服。Claude Code 放弃它，主要有四个核心原因：结构不匹配、索引滞后、上下文红利以及 Agent 智能的进化。
👨‍💼面试官：心想小伙子说的好像我都听不懂啊，要是忽悠我看我怎么整你，展开说说什么叫“结构不匹配”？
🧑‍💻求职者： 传统的 RAG 核心是语义相似度（Semantic Similarity）。它把文本切块、做 Embedding，然后通过向量距离去捞最相似的片段。这在做自然语言、知识库问答时很好用。 但代码不是普通的文本，代码需要的是结构精度（Structural Precision），而不是模糊的语义相似。

• 比如我搜索一个 getUser() 函数，传统 RAG可能会因为语义相似，把一堆测试文件、配置文件或者不相关的废弃代码块（Chunk）拼凑在一起喂给大模型。
• 结果就是大模型拿到的上下文是支离破碎的，缺乏真正的代码上下文，比如类的继承关系、接口定义和模块导入。这种“信息噪音”极易导致模型写出看似合理但根本无法编译的“幻觉代码”。

👨‍💼面试官： 明白，代码是讲逻辑和结构的。那第二个原因，你提到“索引滞后”，这在开发中有什么具体的痛点？
🧑‍💻求职者： 传统的 RAG 是一种有状态（Stateful）的系统。要在代码库里做向量检索，你得先对整个项目做一次全量切块、调 API 转成向量、存入向量数据库（比如 Pinecone 或 pgvector）。

• 状态漂移（State Drift）： 程序员的日常是高频修改代码、切换分支（Git branch）。这意味着，你刚写完一行代码，你的向量索引就已经过期（Stale）了。
• 如果每次改完代码都要重新跑一遍流水线去同步索引，这在本地 CLI（命令行工具）上是不可接受的，既慢又重。Claude Code
  追求的是“零预处理、开箱即用”，自然要抛弃这种沉重的包袱。

👨‍💼面试官： 那不依赖向量 RAG，Claude Code 是怎么在巨大的代码库里找代码的呢？总不能全盲猜吧？
🧑‍💻求职者： 这正是它聪明的地方！它放弃了向量 RAG，转向了 Agentic Search（智能体主动检索）。 Claude Code 是一个拥有自主工具调用能力（Tool Calling）的智能体。当你想改一个功能时，它会像人类程序员一样：

1. 先读取根目录的目录树，或者看一眼 CLAUDE.md 获取全局规范。
2. 调用系统原生的 grep 或 glob工具，用正则表达式或精确的文件名去匹配代码。
3. 发现某个文件后，用 read_file 读进去，顺着 import 语句或者函数调用链，再精准地去开下一个文件。

核心逻辑： 这种基于“主动探索 + 确定性工具（Grep/文件系统）”的方式，保证了获取到的代码永远是最新的，而且完全契合代码的引用逻辑。

👨‍💼面试官： （点头）有点意思。利用模型自己的推理能力去当“探针”。那你刚才提到的第三点“上下文红利”，和这个有什么关系？
🧑‍💻求职者： 过去我们用 RAG，是因为大模型的上下文窗口（Context Window）太小了。几年前模型只能吞下 4K 或 8K 个 Token，不把代码切成碎块根本塞不进去。 但现在的模型（比如 Claude 3.5 系列）动辄拥有 200K 甚至更高的上下文窗口。一个几十万行代码的中小型项目，完全可以把核心框架、目录树甚至重点文件直接打包塞进上下文里。 既然模型自己的“内存”已经大到能装下一个小型图书馆了，我们为什么还要大费周章地在外面建一个低效的“检索流水线”呢？把生数据直接喂给它，或者让它按需去读大文件，它的全局推理效果反而更好。
👨‍💼面试官： 听起来很完美。但硬币都有两面，Claude Code 选择这种“智能体主动检索（Agentic Search）”代替“传统向量 RAG”，难道就没有代价吗？
🧑‍💻求职者： 确实有代价，这是一种哲学上的权衡（Trade-off）：
传统 RAG 是“用基建换成本”。它的单次查询只带入极少量的 Chunk，Token 消耗极低、响应快，但代价是维护一套向量数据库和面对可能不精准的检索结果。
Claude Code 的方式 是“用智商换基建，用 Token 换 Freshness（时效性）”。因为它是多轮对话、不断地调用工具去探索和重试，这会消耗大量的 Token，且多轮交互会带来一定的延迟（Latency）。
👨‍💼面试官： 回答得非常通透！从数据特性聊到模型演进，还指出了背后的商业权衡。我的问题问完了，你对我们团队有什么想了解的吗？
🧑‍💻求职者：心想这下我应该面试通过了吧