· 2 分钟阅读
RAG 和 Skill 的边界：什么时候真的需要检索
从 toC Agent 与企业级 AI 售前机器人的差异出发，理解 Skill 与 RAG 的适用边界。
为什么 toC Agent 更偏向 Skill
以前聊知识库，大家很自然会想到一套流程：先切分文档，做 Embedding，再用向量检索筛出几段内容，最后交给模型回答。
但是随着AI的不断发展，现在模型的上下文窗口越来越大，模型本身对语义的理解也比前几年强很多。很多C端个人场景里，与其先做一堆检索预处理，不如直接把相关上下文交给模型，让它自己读。
Skill适合什么？
能整理成稳定流程、判断规则、操作步骤的知识，更像 Skill。比如某类业务顾问的判断框架、团队内部的研发流程、某个工具链的固定用法，只要边界讲清楚，就可以沉淀成一份可复用的能力说明。
为什么企业场景仍然绕不开 RAG
客户记录、合同原文、历史订单、客服工单，这些都不是“知识点”，而是一条条具体数据。模型不能靠规则猜，也不能靠一份说明书概括。要回答这类问题，就得先把那条真实数据找出来，而且还要考虑权限、时效和审计。
这时只靠 Skill 就不够了。Skill 可以告诉 Agent 怎么判断、怎么处理、怎么调用系统，但它不能凭空知道某个客户去年签过哪份合同，也不能靠规则推断一条订单现在到底是什么状态。
推荐一篇博文
下面这篇文章以企业级 AI 售前机器人为例，通俗易懂的讲解了一些关于 RAG 数据处理的核心逻辑。