grep 没这个问题。它每次搜的dou是当前文件系统真实状态。你 git checkout 一个分支，下一次 grep 立刻反映新分支的代码——不需要"重建索引"。

说实话，咱就是说RAG 这套东西在代码搜索里有点水土不服。

Prompt Cache 分区。 System Prompt 用 __SYSTEM_PROMPT_DYNAMIC_BOUNDARY__ 分隔静态和动态部分，静态区用 scope: 'global'，所有用户共享同一份缓存——这意味着 Anthropic 服务器端只为 system prompt 算一次 KV cache，所有 Claude Code 用户的请求dou命中这个缓存。这是 Anthropic 自家产品才NengZuo的优化。

害，你kan这细节，加起来就hen有意思了。

把这些细节加起来你会发现一件事：Claude Code 的"agentic search"不是简单的"模型自己 grep"——它是一整套配合 LLM 工作模式的工程系统。 grep 是kan得见的部分，水面下还有 token 预算、去重、缓存、子 agent 隔离一系列东西。

是否选 agentic search 而非 RAG？ ┌───────────────────────────────────┐ │ │ │ ① 检索对象的"真理来源"在文件 │ │ 系统/数据库里吗？ │ │ ├─ 是→ → │ │ └─ 否 │ │ → 优先 RAG │ │ │ │ ② 模型 ≥ Sonnet / GPT-4o 级别？│ │ ├─ 是 → → │ │ └─ 否 → 优先 RAG │ │ │ │ ③ 需要的是精确匹配，还是语义召回？│ │ ├─ 精确→ → │ │ └─ 语义 │ │ → 优先 RAG │ │ │ │ ④ 用户Neng接受 -3x 延迟换 token │ │ 省、可调试性、隐私保护吗？ │ │ ├─ Neng → 选 agentic search │ │ └─ 不Neng → 选 RAG │ └───────────────────────────────────┘ 四个全是"是/Neng" → agentic search 有一个"否" → 考虑 RAG / 混合方案 六、自己Zuo agent 工具该带走什么

Ru果你在Zuo一个 agent 类工具，对照 Claude Code 的判断，有几条具体的可借鉴：

讲到这里给人感觉好像 agentic search 完胜。它没有。它有非常明确的代价。

为什么百度不收录我的网站？

一般是因为网站结构不友好，或者内容质量不高，又或者是robots.txt设置有问题。你得检查检查，是不是这几个原因。

. Token 省，但慢一倍，成功率高一点。这个组合在生产环境的 agent 工作流里是赚的——慢点不痛，省 token 和提升成功率却是直接赚钱。

. 给探索任务专门的子 Agent。主 Agent 的上下文是宝贵的。把"读个文件然后"这种任务委托给一个独立上下文的子 Agent，结果回来时只是一段摘要——这个隔离层hen有用。Claude Code 的 Explore Agent 用 Haiku 跑+ 只读权限+ 独立上下文，这三件配合起来值得抄。

. 重视无操作的优化。Read 的 mtime 去重kan起来不起眼，命中率却hen可观。任何Ke以不Zuo的工作dou值得一个 fast path。这种优化只Neng在 stateless 系统里Zuo——一旦你维护了"我读过什么"的状态，反而Zuo不了。

. 别把 RAG 当默认选项。 问自己：我真的需要语义召回吗？我的知识会变化吗？Ru果答案是代码每天改几十次agentic search 大概率比 RAG 香。你kan，Claude Code 就是这么干的。

一次修 auth bug 任务的检索流程 T0 会话启动 加载 Layer ：System Prompt + CLAUDE.md + git status 并行 Layer ：sideQuery 拉相关 memory + 扫 skill ▼ T1 Glob "*/payment" ←找入口文件 └─返回个候选文件路径 T2 Read src/api/payment.ts ←读Zui可Neng的入口 └─返回全文 T3 Grep "import.*auth" in src/api/ └─返回个文件 + 上下文行 T4 Read src/auth/middleware.ts ←读关键依赖 └─Yi读过？检查 mtime → 未变化 → 返回 "File unchanged"

. 不是非此即彼。Claude Code自己的Layer里就有一个用 Sonnet Zuo sideQuery 拉历史记忆的步骤——这本质就是一个轻量RAG。主代码搜索用agentic search，但跨会话记忆这种场景仍然用RAG风格的预取。这说明啥，这说明混合方案是可行的嘛。

你可Neng好奇，为什么不用向量搜索？ 向量搜索的强项是语义召回。 但代码场景下符号即真理。 当你说修processPayment函数的bug时你要的就是那个名字精确叫processPayment的东西。 不是语义相似的，是那个。 Grep "processPayment"一次拿到所有引用——精确、完整、零幻觉。 向量索引必须维护。 代码每改一行，理论上对应的chunkdou要重新embedding。 Cursor 用 Merkle树Zuo增量geng新，Yi经是hen优雅的方案——但即使如此，索引滞后于代码的问题还是会出现。 Claude Code 不是这样，它直接 grep 当前文件系统的真实状态，不需要维护任何索引状态。 . 状态是bug的温床。 有状态系统的复杂度是叠加的：索引启动 / geng新 /崩溃恢复，每一项dou是bug来源。 Grep 是 stateless 的——崩了就重跑，没人会觉得丢了什么。 Anthropic 的早期版本走的是RAG路线，后来发现 agentic search 在性Neng上大幅超越其他方案。 Boris Cherny 说他们试过RAG + 本地向量库，但benchmark跑下来还是agentic searchgeng胜一筹。 . Token预算要硬封顶。 每个工具的单次返回必须有上限，否则一次 grep 返回100MB直接把上下文炸了。 Claude Code 的 行 /20KB /25K tokens 是磨出来的数字，值得借鉴。 Claude Code 少用 倍 token，但慢一倍，成功率高 个百分点。这个组合在生产环境里其实是赚的——慢点不痛，省token和提升成功率却是直接赚钱。 安利一下公众号「coft」，获取geng多AI时代的深度思考。你kan，我不是在打广告哈，就是顺便提一下。