面试官：为什么 Claude Code 放弃了 RAG？

面试题：为什么 Claude Code 放弃了 RAG？ Claude Code不用RAG，全靠grep做代码检索，这在技术圈争议很大。我一个学员上个月面大厂AI岗就碰上了，面试官问：“Claude Code为什么放弃RAG？你觉得合不合理？”这题考的就是你对RAG链路的理解深度，加上你自己的工程判断。接下来我来拆解下这道面试题。 1. 先把背景交代清楚 回答的时候，第一步先把事情的来龙去脉讲清楚，让面试官知道你是真的跟踪过这个话题。Anthropic的工程师Boris在2025年5月 The Latent Space 播客里明确说过，Claude Code早期确实试过RAG，用的就是标准方案：本地向量数据库加embedding检索。但他们很快发现效果不行，最终切换到了他们叫agentic search的方式，说白了就是让模型自己要用grep、glob、find这些Linux命令去实时搜索代码。 Boris原话是：It outperformed everything by a lot。而且被追问是什么benchmark的时候，他说Mostly vibes，主要靠体感。 这个回答本身就很有意思，我们一会儿再说。面试的时候你先把这个事实陈述清楚，让面试官知道你是用心细研的，不是在瞎编。 二、核心原因：代码场景下RAG的根本性缺陷 好，接下来我们讲为什么放弃。很多人会笼统地说“RAG效果不好”，那面试里你得说清楚到底哪里不好。 第一个问题也是最致命的，就是embedding对代码标识符的语义理解几乎是失效的。你想，getUserById和deleteUserById这两个函数名，在向量空间里的距离非常近，因为它们共享了大量的token，但它们的功能完全相反：一个是查询，一个是删除。代码不是自然语言，它是结构化的精确标识符。函数名、类名、变量名本身就是最好的检索关键词。在这种场景下，精确匹配天然比语义匹配更可靠。GRAPSO Process Payment 就只精确命中，不存在一票否决的问题。 第二个问题是RAG管线的准确率有一个乘法效应。你想想整个链路：文档切分、embedding生成、向量检索、重排序、最终生成，每个环节哪怕做到90%的准确率，五个环节乘下来就只剩不到60%。而且这些环节出错的时候，调试是噩梦级别的，你根本不知道是chunk切得不好，还是embedding质量有问题，还是re-rank模型偏了。但GRAPSO失败的原因只有一个：关键词没匹配上。这种确定性在工程上的价值是巨大的。 第三个问题是索引的时效性。代码仓库变化极快，你上午建的索引下午可能就过时了。有人新提交了代码，重构了文件结构，索引就跟实际代码产生了漂移。你要么频繁重建，因此付出巨大的计算开销，要么忍受过时索引带来的错误次数。GRAPSO每次都是实时搜索，拿到的永远是当前最新的代码状态，根本不存在同步问题。 四、更深一层：架构哲学上的考量 讲完技术细节之后，你可以再拔高一层，聊聊架构哲学，这会让面试官觉得你有depth。Claude Code的设计遵循的其实是一个非常经典的原则：无状态设计。这条线从Unix管道到Rest API到Serverless，在计算机科学里反复验证过。不建索引意味着零配置，用户clone完代码就能直接用，不需要等几分钟构建embedding。不维护状态意味着零运维负担，没有索引卡住了缓存损坏了这种问题。而且Anthropic内部有一个原则叫Everything is the Model，尽量让模型本身去驱动决策，而不是在模型外面搭一套复杂的工程管线。模型每变强一分，整个系统就自动变好一分。这其实就是Rich Sutton说的Bitter Lesson在工程上的体现。 还有一个容易被忽略的点是安全性。RAG方案需要把代码做embedding，存到某个地方，不管是本地还是云端，这个向量表示本身就是一种信息泄露的风险。学术上已经有研究证明可以从embedding反推原始内容。而grep完全在本地执行，从架构上就杜绝了这个问题。 4. 辩证思考：这不是简单 最后面试的时候，一定要展现辩证思维，不要把话说死。Claude Code的方案也有明显的代价，最大的就是Token消耗。每次搜索都是实时执行，模型要列目录、读文件、做多轮探索，Token用量远高于一次性的向量检索。Mufus团队就公开批评过这一点，说这是在烧Token。而且对于超大型代码库，纯grep的方式在概念级搜索上确实有短板。比如你想找所有跟权限校验相关的逻辑，grep不一定能覆盖所有变体写法。所以业界目前的共识其实是在走向混合方案：精确搜索处理标识符级别的查找，语义检索处理概念级别的探索，两者互补。Claude Code选择了极简的那一段，Cursor选择了向量索引的那一段，未来大概率会在终端侧各个自主联网。 最后简单总结一下，你把这些讲清楚，这道题基本就拿满分了。核心就是三层：技术实施层，讲清楚embedding对代码的实现和管线复杂度；架构选择层，讲清楚无状态设计和everything is the model的理念；最后辩证层，承认Token成本和向量搜索的局限，有理有据，有深度有边界。面试官想不给高分都难。 以上就是对这道面试问题的分析和拆解。这里是丁师兄大模型，持续分享大模型面试干货。需要大模型一对一面试辅导的同学，请见评论区置顶介绍。大家面试加油。