RAG 的造神者，开始亲手毁神。
2026 年 5 月的第一周，向量数据库赛道的开创者 Pinecone 做了一件在科技商业史上都极为罕见的事：它亲手为自己定义并赖以成名的技术范式——RAG（检索增强生成）——判了死刑。
在同步扩展新加坡与法兰克福云区域的同时，Pinecone 正式推出了面向 AI Agent 的知识引擎 Nexus，以及配套的声明式查询语言 KnowQL。Pinecone 不仅没有遮掩新旧模式之间的矛盾，反而以一种近乎宣言的姿态，将传统的“推理时检索”（retrieval-at-inference）模式比喻为“AI Agent 世界的十条蓝色链接时代”——一个属于过去的、原始的搜索引擎时代。
对于一个拥有超过 80 万开发者与 9000 家付费客户的明星基础设施公司而言，这不仅仅是一次产品迭代，这是一场经过精密计算的“自我颠覆”。
“十条蓝色链接”的绝唱：RAG 为何成了 Agent 时代的绊脚石？
要理解 Pinecone 此番决绝的转向，必须正视 Agent 工作负载对传统 RAG 架构的暴击。
Pinecone 给出的数据直击要害：深陷于“检索-阅读-再检索”循环中的 AI Agent，任务完成率通常只有 50% 到 60%，且 Agent 高达 85% 的精力都消耗在“找上下文”这一件事上。这背后是 RAG 模式的结构性缺陷。
传统的 RAG 流程是“推理时检索”：Agent 在接到任务后，临时从向量数据库中抓取二十段相关的原始文本 Chunk，然后疯狂消耗 Token 试图拼凑出答案。这种方式不仅速度慢、成本高，而且极其脆弱。正如 Pinecone 所揭示的，大多数系统缺乏字段级别的溯源能力，Agent 往往无法区分事实与模型的猜测，导致输出天然不稳定。
这并非 Pinecone 一家的判断。一篇 2026 年的产业界论文明确指出，RAG 的生产环境部署始终存在“从干净的原型性能到真实世界可靠性”的巨大鸿沟。多项基准研究也揭示，即使是前沿模型在处理复杂多跳检索任务时，准确率也常常不足 75%，传统 RAG 管线在真实场景中的脆弱性已成为业界共识。
KnowQL 的战略野心：为 AI Agent 重写“SQL 时刻”
Nexus 的核心突破在于将“推理”从运行时提前到了编译期。Pinecone 称之为“知识编译”（Knowledge Compilation）——在 Agent 查询之前，原始的企业数据已经被预先编译为带类型、可引用、面向具体任务的知识制品。当 Agent 发起请求时，它访问的不再是原始的语料库，而是这些经过推理和整理好的结构化知识。
而赋予 Agent“表达能力”来完成这一切的，正是 KnowQL。这一声明式查询语言定义了意图、过滤、来源、输出格式、置信度和延迟预算六项原语，让 Agent 只需一次调用就能获取结构化的可信知识。Pinecone 宣称，这种架构可将任务完成率提升至 90% 以上，并削减 90% 的 Token 开销。
Pinecone 显然不甘于仅仅定义一种新架构，它将这种结构性的空白类比为 SQL 出现之前的数据库蛮荒时代。KnowQL 的终极叙事，正是要为 AI Agent 的知识访问层建立统一的“标准接口”。LangChain 与 Teradata 的迅速站台合作，也从侧面印证了“标准饥渴”已弥漫整个行业。
自我颠覆的企业基因：为什么是 Pinecone，又为什么是现在？
“自我揭短”在技术商业史上并非孤例，但每一次都极其痛苦。英特尔当年从存储芯片毅然转向微处理器，Netflix 壮士断腕将 DVD 业务与流媒体拆分，苹果的 iPhone 直接杀死了自己的 iPod 帝国。这些决策之所以被载入史册，源于它们在旧业务现金牛仍在狂奔时，就敢于将一切押注给一个未知的新产物。
由前 AWS 人工智能实验室主任 Edo Liberty 于 2019 年创立的 Pinecone，如今正处于相似的历史分岔口。2025 年，Edo Liberty 卸任 CEO、专职担任首席科学家，专注于技术前瞻探索。这一人事布局无疑为 Nexus 这次大胆的“自我颠覆”埋下了伏笔。大多数基础设施商面对旧模式的衰退会选择继续卖旧产品，等待市场慢慢察觉。但 Pinecone 选择成为那个率先捅破窗户纸的人。
历史钟摆：为什么“RAG”可能会像“jQuery”一样变成技术注脚
Pinecone 此番决绝的转向并非孤例，而是全行业认知升维的一角。“推理前置化”与“上下文工程化”正在成为 2025-2026 年最核心的 AI 基础设施叙事。Anthropic 推出的 Skills 架构将 LLM 系统从“单一提示”转变为“版本化、可组合的运行时模块”，解决了“上下文腐化”问题；Cursor 推出的 Rules 系统在编辑器层提供持久化、可复用的上下文约束；LangChain 创始人 Harrison Chase 则直言“上下文工程是构建 AI Agent 的核心任务”，并强调真正的壁垒在于运行时框架而非模型本身。
所有这些动作指向同一种新共识：Agent 时代的瓶颈不再是模型能力，而是如何让模型在正确的时间、以最低的成本、拿到最精确且可信的上下文。如果未来 12 个月真如 Pinecone 所押注，那么向量搜索将像水电煤一样隐入基础设施最底层，而 Knowledge Compilation 将成为真正的产品层。届时，“RAG pipeline”这个词，或许会像当年的“CGI 脚本”或“jQuery 时代”一样，成为一个特定技术阶段的注脚——人们会记得它曾让模型第一次学会了“查资料”，但 Agent 与知识交互的方式，早已换了天地。
从教你怎么做 RAG，到直接宣告这种模式“实为瓶颈”，Pinecone 用一场教科书式的自我颠覆，发出了 AI 基础设施从“青春期”走向“成年礼”的第一声枪响。这场长跑才刚刚开始，但离旧终点越远，才越能看清赛道的方向。
参考链接：原文
发表于 2 小时前
|
查看: 3|
回复: 0
