Agent 筆記：RAG 正在被 Progressive Disclosure 取代
Agent 筆記：RAG 正在被 Progressive Disclosure 取代
Agent 筆記：RAG 正在被 Progressive Disclosure 取代
基本資訊
- 作者: @g41903
- 來源: Threads
- 發布時間: 2026-03-03（5 小時前）
- 觀看數: 1.7K
- 社群反應: 24 讚、3 回覆、8 分享
核心觀察
範式轉移
最近有個感覺：RAG 好像慢慢變成上一個階段的解法。
很多新的 Agent 系統開始改成： 搜尋工具（BM25 / Grep）+ Progressive Disclosure
兩種方法對比
❌ RAG（舊做法）
一次把所有資料丟進 context
✅ Progressive Disclosure（新做法）
一步一步縮小範圍，找到真正需要的資訊
類比說明
圖書館找書類比
其實很像人在大型圖書館找書
RAG 方式
- 把整個圖書館的書都翻一遍
- 低效、耗時、資源浪費
Progressive Disclosure 方式
- 看目錄
- 找樓層
- 找書架
- 再翻對的書
核心理念
重點不是 retrieve everything，而是 retrieve progressively。
社群討論
space_3c273（1 小時前）
但有時有些是有關聯，但不能通過搜索方式得出。為了不要漏掉小片段或者重覆生成，是不是應該對全局資源做意圖分析？
具體問題：
- 現在做些複雜的專案，AI 很常常是一架巴士做了 20 個輪子
- 並不知道問題所在
- 清理 Review 要花大量時間，亦難以 debug
💡 質疑點：Progressive Disclosure 可能會漏掉隱含關聯的資訊
hack4fun（2 小時前）
RAG 有點過時了，現在講 Skill。
💡 觀點：技術演進已經從 RAG → Skill
關鍵洞察
1️⃣ 技術演進：RAG → Progressive Disclosure
RAG 的問題：
- 一次性載入過多資訊
- Context 浪費
- 效率低
Progressive Disclosure 的優勢：
- 逐步縮小範圍
- 只載入真正需要的資訊
- 節省 context + token
💡 教訓：從「retrieve everything」到「retrieve progressively」
2️⃣ 搜尋工具的重要性：BM25 / Grep
技術棧：
- BM25：基於詞頻的排序演算法（經典 IR 技術）
- Grep：基於模式匹配的搜尋工具
為什麼重要：
- 精準定位
- 速度快
- 成本低（不需要 embedding）
💡 教訓：簡單工具 + 漸進式策略 > 複雜 RAG 系統
3️⃣ 圖書館類比的深意
人類的搜尋策略：
- 不會一次翻所有書（RAG）
- 會用目錄、樓層、書架階層式定位（Progressive Disclosure）
Agent 應該模仿的不是「大腦」而是「搜尋策略」
💡 教訓：好的 Agent 設計來自對人類行為的觀察
4️⃣ Progressive Disclosure 的挑戰：隱含關聯
space_3c273 的質疑：
- 有些關聯不能通過搜索方式得出
- 可能漏掉小片段
- 重複生成問題
- 20 個輪子的巴士（over-engineering）
解法：
- 意圖分析（Intent Analysis）
- 全局資源掃描
- 重複檢測機制
💡 教訓：Progressive Disclosure 不是銀彈，需要配合意圖分析
5️⃣ 技術疊代速度：RAG → Skill
hack4fun 的觀察：
- RAG 已經過時
- 現在講 Skill
技術演進時間軸：
- 2023-2024：RAG 全盛期
- 2025：Progressive Disclosure 興起
- 2026：Skill 成為主流
💡 教訓：AI 工具領域技術疊代速度極快（1-2 年一個世代）
技術深度分析
BM25（Best Matching 25）
原理：
- 基於詞頻（TF）和逆文件頻率（IDF）的排序演算法
- 經典資訊檢索（IR）技術
- 不需要 embedding（省成本）
優勢：
- 精準度高（針對關鍵字搜尋）
- 速度快（不需要向量計算）
- 成本低（不需要 GPU）
限制：
- 無法理解語義相似性
- 對同義詞、變體詞效果差
Grep（Global Regular Expression Print）
原理：
- 基於模式匹配（Pattern Matching）
- Unix 經典工具
- 支援正則表達式
優勢：
- 極快速度（文字搜尋）
- 靈活（正則表達式）
- 廣泛支援
限制：
- 需要精確的模式定義
- 無法理解語義
Progressive Disclosure
原理：
- 逐步揭露資訊（不是一次全部載入）
- 根據上一步結果決定下一步
實作方式：
- 第一層：目錄搜尋（找到相關章節）
- 第二層：章節內搜尋（找到相關段落）
- 第三層：段落內搜尋（找到精確資訊）
優勢：
- 節省 context
- 節省 token
- 提高精準度
挑戰：
- 需要良好的階層結構
- 可能漏掉跨層級的關聯
- 需要意圖分析配合
應用場景
適合 Progressive Disclosure
- ✅ 大型文件庫（技術文件、API 文件）
- ✅ 階層清晰的資料（目錄 → 章節 → 段落）
- ✅ 關鍵字明確的查詢
- ✅ 需要節省 token 的場景
不適合 Progressive Disclosure
- ❌ 需要全局理解的任務
- ❌ 隱含關聯很重要的場景
- ❌ 資料結構不清晰
- ❌ 語義相似性搜尋
與其他文章關聯
Agent 技術系列
- #42：OpenClaw Memory-LanceDB-Pro（混合搜尋：向量 + BM25 + Cross-Encoder）
- #43：Agent Skills 標準介紹（從工具到技能的範式轉變）
- #86：ByteDance DeerFlow 2.0（技能漸進載入、不爆 token）
- #119：Agent 筆記：Progressive Disclosure vs RAG（本文）
💡 共同主題：從「一次性載入」到「按需載入」、從「retrieve everything」到「retrieve progressively」
Token 優化系列
- #56：Sakana AI Hypernetwork（一秒學會新技能）
- #64：AMD 本地 LLM（分散式推理）
- #74：AVP 協議（KV-cache 記憶注入，省 78% token）
- #118：Claude Code 省 Token 技巧（Haiku + Opus、Skills 按需載入）
- #119：Progressive Disclosure vs RAG（本文）
💡 共同主題：節省 token、按需載入、漸進式策略
未來趨勢預測
技術演進路徑
-
2023-2024：RAG 全盛期
- Retrieve everything
- 向量檢索
- Context 浪費
-
2025：Progressive Disclosure 興起
- Retrieve progressively
- BM25 + Grep
- 階層式搜尋
-
2026：Skill 成為主流
- 知識封裝
- 按需載入
- 跨專案複用
-
未來：Intent-Driven Agent
- 意圖分析
- 自動選擇策略（RAG vs Progressive Disclosure）
- 混合搜尋（向量 + 關鍵字 + 階層）
實戰建議
選擇策略
| 場景 | 建議方案 |
|---|---|
| 大型文件庫 + 階層清晰 | Progressive Disclosure |
| 需要全局理解 | RAG |
| 關鍵字明確 | BM25 / Grep |
| 語義相似性 | 向量檢索 |
| 混合需求 | LanceDB-Pro（混合搜尋） |
| 節省 token | Progressive Disclosure + Skill |
實作建議
- 建立階層結構：目錄 → 章節 → 段落
- 關鍵字索引：BM25 / Grep 快速定位
- 意圖分析：判斷是否需要全局掃描
- 重複檢測：避免「20 個輪子的巴士」
- 混合策略：根據任務特性動態選擇
標籤
#Agent #Progressive Disclosure #RAG #BM25 #Grep #Token 優化 #搜尋策略 #技術演進 #Skill #意圖分析