https://www.bilibili.com/video/BV1iC4LzpE7p
你提到的视频《RAG已死？Claude Code核心开发者抛弃RAG》中，Claude Code 的核心开发者 Boris 提出了一种“完全不做索引”的反直觉检索方式——这实际上是在挑战传统 RAG（Retrieval-Augmented Generation）依赖向量数据库 + embedding 检索的范式。
而你问的：“有没有考虑过 AI 自己 grep 调用记忆？”，其实正契合了这一新思路的核心思想之一。
✅ 什么是 “AI 自己 grep 调用记忆”？
这里的 “grep” 是一个比喻，指的是：
- 不预先构建向量索引，
- 而是让大模型在需要时，直接对原始文本（如代码库、文档、日志等）进行关键词或语义匹配式的“扫描”或“搜索”，
- 类似于程序员用
grep在代码中查找字符串。
这种做法看似低效，但在以下条件下变得可行甚至更优：
- 上下文窗口极大（如 Claude 3.5 Sonnet 支持 200K+ tokens）；
- 模型本身具备强大的长文本理解与定位能力；
- 避免 embedding 偏差（embedding 可能丢失细节、受训练数据限制）；
- 简化系统架构：无需维护向量数据库、同步索引、处理 chunk 切分等问题。
🔍 视频中的核心观点 vs “AI 自己 grep”
Boris 的做法本质上就是让模型直接读取整个代码库（或文档集）作为上下文，然后靠自身能力“找到”相关部分——这正是“AI 自己 grep”的体现。
他提到：“我们发现，只要把整个项目文件塞进上下文，模型自己就能精准定位到需要修改的函数，效果远超 RAG。”
这背后有几个关键优势：
- 零信息损失：原始文本完整保留，没有 chunk 切断或 embedding 降维；
- 动态推理：模型可根据任务需求灵活关注不同部分，而非受限于检索结果；
- 减少 token 浪费：传统 RAG 检索可能返回大量无关 chunk，反而污染上下文。
🤖 这算不算 “AI 拥有记忆”？
严格来说，这不是“记忆”，而是“即时访问外部知识”。但若将整个代码库/文档视为其“扩展记忆”，那么：
- 传统 RAG = 有索引的记忆（像图书馆目录）
- Claude Code 方式 = 把整本书摊开让 AI 自己翻（像拥有 photographic memory）
未来方向可能是：
- 对小规模、高价值数据（如个人笔记、私有代码）——直接全量注入上下文；
- 对超大规模数据（如整个互联网）——仍需高效检索，但可能结合混合策略（如先粗筛再精读）。
💡 总结
是的，视频中提出的方法本质上就是“让 AI 自己 grep 调用记忆”——
它放弃传统 RAG 的索引机制，转而依赖大模型在超长上下文中的自主检索能力，
这在长上下文模型普及的今天，正成为一种更简洁、更可靠的新范式。
这也解释了为什么越来越多人说：“RAG 已死，Context is King.”
如果你感兴趣，还可以关注“In-context retrieval”或“Naive RAG” vs “Agentic RAG”的讨论，这正是当前 AI 工程化的重要演进方向。
