Harness 已经很准了，为什么还需要一个 Agent Native Database

2026-11-09 · 1 分钟阅读

AI 摘要

传统RAG的“查询—匹配—排序”范式正面临结构性困境：朴素RAG受限于单一相似度通路，高级RAG复杂度攀升却效果有限，且每次查询都从零开始，缺乏可积累的认知基座。研究显示，配备Grep等简单工具的Agent Harness在多数场景下可接近甚至超越复杂RAG，但数据规模扩大后，反复迭代搜索导致Token消耗高、响应慢。为此，文章提出以知识编译作为Harness的上下文供给层，将理解工作从查询时移至索引时，通过树状导航与证据链叶节点、图状关联、时间线及本体模板等可定制编译产物，为Agent提供高密度、可追溯的知识工件。实测表明，编译产物命中时可节省90%以上Token，未命中仅损失约2%，多跳数据集上平均节约30%至40%。核心主张是：Search Harness是Agentic Search的引擎，知识编译是其上下文供给层，二者协同而非替代。