RAG 不够用之后：用 Tech Graph 给 AI 代码协作补上全局地图

核心洞察

这篇文章最有意思的点是作者把“RAGRetrieval-Augmented Generation - an AI framework that combines information retrieval with language generation to produce more accurate and contextually relevant responses. 不够用”这件事讲透了。很多人以为检索增强就是终点，但代码库天天在变，索引永远慢半拍，Agentic Search智能代理搜索，一种具备自主规划与多步骤执行能力的搜索模式，能够将信息查找与实际操作结合，实现复杂任务的自动化处理。 才更接近人查代码的真实方式。作者最后提出的 Tech Graph技术图谱，本文提出的静态且可验证的架构事实源，用于收敛入口、契约、失败路径与运行观测。 思路值得琢磨，不过落地成本恐怕不低。

---

核心结论

1. RAG 在代码协作场景中的核心局限在于：代码库高频变更导致索引滞后几乎不可避免，且语义碎片化严重，检索结果可能反映的是过时快照而非当前事实。

2. Agentic Search 采用类似人类查代码的动态探索方式——顺着入口实时追踪调用链、对齐事实，在排障和追踪调用链场景中表现优于静态检索，但缺乏全局共识，每次搜索都从零开始。

3. 作者提出的解法是在动态探索层之外增加一层静态且可验证的架构事实源（Tech Graph），将入口、契约、失败路径和运行观测收敛到该图上，与 Agentic Search 形成互补。

4. Tech Graph 的核心价值在于让 AI 协作过程具备可接手、可追踪、可排障的能力，同时压制幻觉；其主要落地难点在于图的构建方式以及如何保证与代码持续同步。

从 RAG 到 Agentic Search，再到“可验证的架构认知”：我的 AI 协作落地实践

代码协作这件事，RAG 的角色更像“资料问答”。你把文档丢进去，它帮你找答案。问题在于代码库是活的，高频变更下索引滞后几乎是必然的，语义碎片化也很严重。你问它一个函数在哪调用，它可能给你一段半年前的快照。

Agentic Search 换了个思路。它更像人类查代码的样子：顺着入口往下追，实时对齐事实，看到什么说什么。这种动态探索在排障和追踪调用链时确实好用。但它缺一样东西，全局共识。每次搜索都是从零开始，没有一张稳定的地图告诉它“这个系统的骨架长什么样”。

作者提出的解法是加一层静态且可验证的架构事实源，也就是 Tech Graph。把入口、契约、失败路径和运行观测收敛到这张图上，让它跟动态探索层互补。这样协作过程能接手、能追踪、能排障，幻觉也被压下来了。

思路不复杂，难的是那张图怎么建、怎么保证它跟代码同步。作者在原文里给了自己的实践路径，值得做 AI 编程协作的人细看。

常见问题（FAQ）

RAG 和 Agentic Search 在代码协作里到底有什么区别？

RAG 像资料问答，靠索引找答案，代码高频变更时容易索引滞后、语义碎片化；Agentic Search 像人查代码，顺入口实时对齐事实，适合排障和追调用链，但每次从零开始，缺少全局共识。

Agentic Search 缺的“全局共识”具体指什么？

指一张稳定的系统骨架地图。Agentic Search 每次搜索都从零开始，没有稳定地图告诉它入口、契约、失败路径长什么样，所以作者提出用静态可验证的 Tech Graph 来补这一层。

Tech Graph 怎么和 Agentic Search 配合降低幻觉？

把入口、契约、失败路径和运行观测收敛到静态可验证的 Tech Graph 上，与动态探索层互补，让协作能接手、能追踪、能排障，从而压低幻觉。难点在于这张图怎么建、怎么跟代码同步。