检索与 RAG

本文记录框架在**传统 RAG（检索增强生成）**这一问题上的真实现状与设计取舍，避免使用者依据过时描述误以为存在隐式 RAG 管线。

当前状态：RAG 已移除

自 @ai-zen/agents-core 4.0.0（2026-08-14）起，框架移除了完整的 RAG 与检索基础设施。被删除的模块包括：

Rag / Rags/EmbeddingSearch（检索增强生成基类）
KnowledgeBase（知识库）
VectorDatabase（内存向量数据库）
EmbeddingModel / TextEmbeddingAda002_2（嵌入模型相关）
AgentContext.rag 字段与 Message.rewrite() / Message.raw_content（仅服务于被删除的 RAG 重写流程）

设计决策：

传统 RAG 的「隐式检索注入」被认定为低价值设计。检索能力应由搜索工具承担，而不是对每次请求做隐式的 prompt 重写。

因此当前框架没有内置向量检索 / embedding / 知识库管线。若未来需要知识检索，应作为工具提供（如 search 工具），而非隐式 RAG。

现状：检索由搜索工具承担

当前可用的检索相关能力是 core 的 IndexedSearchTool —— 一种基于关键词的本地搜索工具：

import { IndexedSearchTool } from "@ai-zen/agents-core";

const tool = new IndexedSearchTool({
  entries: [
    { keywords: ["price", "fee"], text: "This product costs $99/month" },
    { keywords: ["support", "warranty"], text: "One-year free warranty is provided" },
  ],
});

工具名：indexed_search
输入：以条目关键词为 enum 的参数（当只有一个关键词时，允许模型误传字符串而非数组，exec 内会归一化）。
输出：匹配到条目的 JSON.stringify 结果。

它并不做向量相似度或语义检索，仅做关键词命中匹配。对于需要文件系统搜索的场景，SDK 另有 find_text / glob 等搜索类内置工具。

全局检索能力（SDK）

在 SDK 层，Scope 的能力发现会在 refresh() 时扫描文件系统，将可用的知识源（用户工具、Skill、MCP、SubAgent）纳入候选集，再由权限过滤与实例化装配。这同样属于「以工具/能力的粒度提供检索」，而非隐式 RAG。

具体可用的检索相关工具（取决于权限与配置）：

工具	来源	说明
`indexed_search`	core	关键词本地搜索（`IndexedSearchTool`）
`glob` / `find_text`	SDK 内置	文件系统通配扫描 / 文本与正则搜索
`load_skill` / `call_skill_sub_agent`	SDK 动态	按需加载 Skill / 以 Skill 启动子 Agent
`load_mcp` / `call_mcp_tool` / `read_mcp_resource`	SDK 动态	按需连接 MCP 服务器并调用其工具 / 资源

需要人工复核的不确定点

以下描述基于源码与 CHANGELOG 的取证，但仍建议人工复核：

「知识库检索如未来需要，应作为工具而非隐式 RAG」是规划而非已实现功能。当前没有知识库检索工具。

检索与 RAG ​

当前状态：RAG 已移除 ​

现状：检索由搜索工具承担 ​

全局检索能力（SDK） ​

需要人工复核的不确定点 ​

相关文档 ​

检索与 RAG

当前状态：RAG 已移除

现状：检索由搜索工具承担

全局检索能力（SDK）

需要人工复核的不确定点

相关文档