去年这个时候，我花了两周时间，用当时最火的RAG框架给公司搭了一个“智能问答机器人”。

上线那天，我信心满满地拿着公司刚发的《员工手册》去问它：“如果我想请病假，但手上没医院假条，怎么办？”

它沉默了三秒，然后给我回了整整八百字——从病假定义讲到劳动法，从考勤制度聊到企业文化，洋洋洒洒，就是没告诉我“没假条该怎么办”。

更讽刺的是，答案的最后一行写着：“以上信息仅供参考，具体情况请咨询HR。”

那一刻我突然明白：传统RAG根本不是在“理解”我的问题，它只是在玩一场高级的“搜索+填空”游戏。 如果搜到的内容里没有现成答案，它就给你来一段漂亮的废话文学。

这个问题困扰了我整整一年，直到最近Anthropic开源的Agent Skills框架火起来，我才意识到：我们一直用错了工具。

今天这篇文章，我就想和你聊聊：用Agent Skills做知识库检索，到底能不能比传统RAG效果更好？

一、传统RAG的“死穴”：它只是个勤奋的傻子

先别急着反驳我。我知道RAG很牛——它解决了大模型“知识过时”和“幻觉”的问题，让企业私有数据终于派上了用场。

但如果你真的在生产环境里跑过RAG，你一定遇到过这些让人抓狂的瞬间：

1. 检索一错，满盘皆输

传统RAG的逻辑很简单：“检索→生成”，一条道走到黑。

这意味着什么？意味着如果第一步检索到的文档不相关，或者漏掉了关键信息，LLM没有任何补救机会。它就像流水线上的工人，不管送过来的是零件还是垃圾，都得把它装上去。

结果就是：你问“病假没假条怎么办”，它搜到的是“病假定义”，于是开始背定义。你问“马斯克收购Twitter那年美国通胀率是多少”，它搜到的是“马斯克收购Twitter”和“2022年通胀率”两个孤立的碎片，但永远没法把它们串起来——“哦，原来是要先查收购年份，再查那年的通胀率”。

这种需要两步推理的问题，对传统RAG来说就像高数对文科生——不是不能做，是压根没这个能力。

2. 上下文“中间迷失”

为了提高召回率，我们习惯把Top-10甚至Top-20的文档块全塞进Prompt里。

然后问题来了：当相关信息被淹没在长篇大论中间时，LLM的注意力机制会自动忽略它。研究早就证明过这个现象——“Lost in the Middle”。

这就陷入了一个死循环：检索得少不够用，检索得多记不住。

3. 静态策略配不上动态问题

传统RAG还有一个要命的毛病：不分轻重缓急，一律平等对待。

你问“今天天气怎么样”这种简单问题，它也要走一遍检索流程，白白增加延迟；你问“请分析2024年半导体行业趋势”这种复杂问题，它还是走同样的流程，结果回答肤浅得像中学生作文。

这就像用同一把螺丝刀去修手机和拆核弹——不是不行，是压根不合适。

二、Agent Skills RAG：从“流水线”到“研究员”

说了这么多传统RAG的槽点，那Agent Skills到底强在哪？

我用一个比喻你就懂了：

• 传统RAG 像开卷考试的学生——翻到哪页抄哪页，抄不到就瞎编

• Agent Skills RAG 像专业研究员——先拆解问题，制定计划，用不同工具找信息，不满意就反思重试，直到收集够证据才写报告

这个区别，本质上是从 “静态流水线”到“动态认知循环” 的跃迁。

2.1 它的“大脑”长什么样？

Agent Skills RAG的核心是一个编排层（The Brain），它不是线性的代码逻辑，而是基于LLM的动态推理系统。这个“大脑”里住着三个角色：

Planner（规划器）：负责谋定而后动。接到“分析A公司和B公司过去三年财报差异”这种复杂问题，它会拆解成子任务：①检索A财报 → ②检索B财报 → ③调用代码工具计算差异 → ④生成分析报告。

Router（路由器）：负责专业对口。遇到“2023年销售额”这种数据问题，路由给SQL技能；遇到“产品原理”这种文本问题，路由给向量检索技能。

Reflector（反思/批评家）：这是Agentic RAG的灵魂。它会检查检索到的文档到底有没有回答问题。如果发现结果相关性低，它会触发重试机制，改写关键词重新检索，而不是强行生成废话。

你发现没有？这个架构里，Agent拥有了 “拒绝回答”和“重新查找”的权利。这在传统RAG里是想都不敢想的。

2.2 Skills：它不再只有一把锤子

传统RAG只有一把锤子——向量检索。看什么都像钉子。

而Agent Skills RAG拥有一个工具箱（Skills），里面装着各种封装好的能力：

Skill类型	具体功能	适用场景
基础检索	向量检索、关键词检索	通用文档查询
高级检索	知识图谱、联网搜索	复杂关系、实时信息
逻辑计算	Python解释器、SQL执行	数学计算、数据聚合
操作类	发送邮件、调用API	触发业务流程

更重要的是，Skills之间可以相互通信、串联执行。比如你需要“搜索资料→生成PPT→发邮件给团队”，这一整套流程可以封装成一个复合Skill，下次一键调用。

三、一个实战案例：看看它到底有多聪明

理论说了这么多，我们来看一个真实场景。

假设你的知识库里有一堆产品文档，现在用户问：“我们产品的定价策略是什么？和竞品相比有什么优势？”

传统RAG的表现： 它搜索“定价策略”，召回几段相关文字；再搜索“竞品优势”，召回另外几段。然后一股脑塞给LLM，生成一个拼凑出来的答案。如果这两类信息不在同一个文档块里，它永远没法建立关联——“定价策略”和“竞品优势”明明是一个问题的两面，在它眼里却是孤立的碎片。

Agent Skills RAG的表现：

• Planner先拆解：这个问题需要“定价策略”+“竞品对比”两类信息

• Router分别调用：一个Skill去检索定价文档，另一个Skill去检索竞品分析文档

• 中间结果回来后，Reflector检查：信息够不够？有没有冲突？

• 不够？那就反思重试——把“竞品优势”换成“与A公司对比”再搜一次

• 够了？那就合成答案，而且确保逻辑自洽

这个过程的每一步，你都可以在日志里看到：Agent在想什么、在查什么、为什么决定再查一次。这种透明度和可控性，传统RAG给不了你。

四、效果对比：数据不会骗人

我知道，说到这儿你可能还是半信半疑：“听起来挺美，但实际效果到底怎么样？”

根据IRJET 2025年发表的研究成果，在处理复杂知识密集型任务时，Agentic系统相比传统RAG有质的飞跃：

• 内容相关性提升36.8%

• 内容深度提升33.4%

• 用户满意度提升41.5%

当然，代价也是有的——响应延迟从1-2秒增加到3-5秒，Token消耗也更高。这就是“深度思考”的代价。

所以我的建议是：不要神话Agent Skills，也别一棍子打死传统RAG。

如果你的场景是：

• 简单的FAQ问答

• 对延迟敏感

• 问题类型单一固定

传统RAG完全够用，性价比更高。

但如果你的场景是：

• 复杂知识推理（需要多步逻辑）

• 多源信息整合（需要跨文档关联）

• 动态变化的知识库（需要实时调整检索策略）

• 需要可解释性（想知道答案是怎么来的）

那Agent Skills RAG就是你的菜。

五、动手试试：怎么搭建一个Agent Skills检索系统？

光说不练假把式。最后给你一个快速上手的路径。

Step 1：理解Skill的文件结构

一个标准的Skill其实就是一个文件夹，里面包含：

your-skill-name/
├── SKILL.md          # 必需：指令 + 元数据
├── scripts/          # 可选：可执行代码
├── references/       # 可选：文档
└── assets/           # 可选：模板、资源

SKILL.md是核心，它告诉Agent这个Skill什么时候该用、怎么用。举个栗子：

---
name: pdf-processing
description: Extracts text from PDF files using PyPDF2.
---

## When to use this skill
Use this skill when a user needs to extract text from a PDF file.

## How to Use this Skill
This skill provides the `extract_text()` function...

Step 2：用现成的框架

如果你不想从零造轮子，可以直接用支持Skills的框架：

• Claude Code：Anthropic官方工具，开箱即用

• OpenClaw：国内社区很活跃，百度还上了七款官方Skills

• DeepLearning.AI的课程：有完整的Research Agent实战

Step 3：设计你的第一个检索Skill

以“产品知识库检索”为例，你可以设计这样一个流程：

1. 意图解析：判断用户是想查价格、比参数，还是找案例

2. 多路检索：根据意图选择不同的检索策略（向量、关键词、知识图谱）

3. 结果重排：用reranker精筛Top结果

4. 合成答案：按固定模板输出，保证格式一致

所有这些逻辑，都可以封装在一个Skill里，下次直接说“帮我查一下X产品”，Agent就知道该调用哪个流程。

写在最后：工具在进化，思维也要跟上

写这篇文章的时候，我翻出去年那个“智能问答机器人”的代码看了看。那时候的我，满脑子想的都是“怎么把检索做得更准”“怎么把Prompt写得更好”。

现在我明白了：检索再准，也解决不了“不会思考”的问题。

传统RAG像是给了AI一双好眼睛，让它能看清书上的字；而Agent Skills给了AI一个会思考的大脑，让它知道该看什么书、怎么看、看完怎么用。

Anthropic开源Skills知识库的时候，官方的描述我很喜欢：“Skills是专业知识的封装与传递机制”。通过Skills，AI可以继承团队的隐性经验、遵循行业的最佳实践。

最后，回答标题的问题：用Agent Skills做知识库检索，能比传统RAG效果更好吗？

我的答案是：如果你的问题足够简单，传统RAG够了；如果你的问题需要“思考”，那Agent Skills不止是“更好”，而是“唯一的选择”。

毕竟，我们想要的不是一个会背书的AI，而是一个真正懂行的助手。