Claude Code、Codex 放弃 RAG 改用 grep：代码搜索场景下 Agent+grep 完胜向量检索

事件概述

2025 年 5 月，Anthropic 工程师 Boris Cherny 透露，Claude Code 早期验证了 RAG+本地向量数据库方案，但最终全部替换为 grep，且 Agentic search 效果大幅碾压所有方案。Codex 同样不建索引、不用 embedding 和 RAG；以 RAG 起家的 Cursor 也将 grep_search 作为核心探索工具，RAG 仅作为概念性查询的补充。三者一致结论：在代码搜索场景下，Agent+grep > RAG+向量数据库。

核心信息

为什么 50 年前的 grep 能打败 RAG？

1. 代码是精确匹配场景：代码标识符已编码语义，搜索目标直接匹配名称即可，不需要语义匹配。在 LongMemEval 的 116 个代码搜索问题上，grep 平均准确率显著高于向量检索，且在 Claude Code、Codex CLI、Gemini CLI 三个框架上稳定复现。
2. 向量检索存在结构性失败模式：基于余弦相似度的检索常返回语义不相关但相似度高的错误结果（如“银行流水”匹配“河岸流水”），且无法区分同标识符在不同模块中的不同上下文。grep 结果是确定性的，有就有，没有就没有。
3. RAG 在代码场景的五大工程缺陷：索引永远追不上动态代码库（大型项目重索引需几十分钟到几小时）；token 暴力切分破坏代码结构；embedding 压缩丢失精确语义（如 validateUserSession(token,refreshToken) 压缩后信息严重损失）；语义相似不等于代码相关；整套流水线环节多、复杂度高。grep 一行命令即可完成。

Agent+grep 的实现逻辑

Claude Code 采用 Agent 驱动的多轮迭代搜索系统，全程无向量、无 embedding、无预处理索引。LLM 自主决定搜索策略，调用 grep 获取结果后动态判断，信息不足则调整关键词或定位文件继续搜索，与人类程序员探索新代码库的逻辑一致。工具设计精细控制 token 消耗（GrepTool 三种输出模式、head_limit 参数；GlobTool 按文件名模式匹配；FileReadTool 按行范围读取）。

值得关注的趋势

从预处理型架构转向实时型架构

预处理架构提前处理数据，检索快但维护成本高、有过期风险；实时架构不做预处理，每次 Agent 实时获取和判断，零维护、永远最新。转折点在于模型上下文窗口大幅提升，瓶颈已从检索转向模型推理能力。

Agent 驱动的主动检索取代被动预检索

传统 RAG 是一次性被动检索（向量化→查 top-K →喂模型），Agentic Search 是多轮主动检索（模型自主决定搜索方向和终止条件），核心依托模型能力增长。

再次验证《The Bitter Lesson》

Claude Code 设计哲学是“一切都是模型”，与其构建复杂检索工程，不如押注模型能力提升。利用计算能力的通用方法最终总是最有效。

确定性工具在 AI Agent 时代更有价值

grep 结果完全确定，多轮迭代中可靠性不衰减；向量检索是概率性结果，失败原因复杂难调试。多轮迭代后可靠性指数级下降（20 轮后 99% 可靠→82%，95% 可靠→36%），确定性工具的 100% 可靠性优势被显著放大。

注意：grep 不是银弹，仅在代码搜索场景比 RAG 更适配；RAG 在其他场景仍有价值。够用就好是 AI 时代更高阶的认知。