《AI 时代的学术搜索：别迷信新工具，先把检索基本功练扎实》

这几年，AI 学术工具越来越多。今天一个 RAG，明天一个知识库，后天一个向量数据库。各种 embedding、semantic search、graph retrieval、memory routing，一层叠一层。老实说，我个人不是很喜欢繁琐的东西。为了做学术，还要先搭环境、切文本、建索引、做向量、配数据库、维护知识库。折腾到最后，真正花在研究本身上的时间，反而少了。而且，系统越来越复杂，也未必真的更有效。

一、复杂检索，真的更好吗？

5月14日，Arxiv 上传了一篇很有意思的论文："Is Grep All You Need?"这个标题显然是在模仿当年的"Attention Is All You Need"。文章讨论的是，现在的大语言模型 Agent，在进行搜索时，真的主要依赖向量检索吗？

论文作者指出，很多强大的代码 Agent，真正大量使用的，并不是复杂的 RAG，也不是 embedding retrieval，而是一个很传统的工具：grep。grep 的名字来自 "global regular expression print"，本意是在文本中搜索符合条件的行并输出。它出现在 1973 年左右，已经有半个世纪的历史了。你输入一个词，它就在大量文本里寻找包含这个词的位置。听起来很古老，甚至有些低级。

但这篇论文的核心观点却是：在很多真实任务里，简单搜索工具配合良好的 Agent 工作流，效果可能比复杂语义向量更好。而且，这种趋势已经开始出现在当前主流 AI Agent 中。论文提到，包括 Claude Code、Gemini CLI、OpenAI Codex CLI 在内的许多代码 Agent，在真实工作过程中，都大量依赖 grep / ripgrep、文件遍历、shell 搜索和多轮关键词检索。它们并不是单纯依靠 embedding retrieval。

二、学术搜索，很多时候不是语义猜测

这些年大家谈 AI 检索，几乎都会提到向量数据库、embedding、semantic search 和 RAG。仿佛不用这些东西，就已经落后了。但真正做研究的人会发现，很多时候，学术搜索并不需要先让系统猜测语义。

举个例子。我研究佛教文献时，如果想研究"思溪藏"，我不会输入"宋代南方佛教刻本大藏经"，我会直接搜索"思溪藏"或"思溪"。这些关键词本身，已经是高度压缩后的学术索引。它们的精确度，往往远高于 embedding 所谓的"语义相似"。

因为学术研究中的很多对象，本来就是符号型对象，比如经号、版本名、人名、地名、异体字、CBETA 编号、大正藏编号。这些内容最重要的不是语义接近，而是精确命中。因此，语义向量反而会带来噪音。你搜索"思溪藏"，系统却给你召回南宋佛教、江南寺院、雕版印刷、佛教传播。这些内容当然相关，但未必是你真正需要的。grep 不会自作聪明，你搜什么，它就找什么。

三、语义检索倒也不是没用

对于外行用户、跨领域问题、模糊概念搜索，embedding 确实能够提供帮助，比如你不知道术语时，它可以帮助你做概念扩展，找到可能相关的表达。问题在于，真正进入专业研究之后，研究者往往已经知道关键术语是什么。此时，检索的重点就不再是"猜测用户想表达什么"，而是如何更稳定、更精确地命中文献对象。

这也是我觉得很多 AI 检索方案有点走偏的地方。学术研究里最朴素的目标，往往只是：找到材料、找到原文位置、能够回到上下文核对。就这么简单。

最近还有一种很流行的方法，是 Andrej Karpathy 提出的"Wiki 式知识库"思路。简单说，就是给每篇论文生成摘要，再像维基百科一样建立知识页面。这种方式在小规模语料里确实很好用，因为它相当于提前完成了知识压缩。但问题也很明显。一旦文献规模巨大，摘要本身就会成为新的负担。而且，谁来生成摘要？摘要是否可靠？不同模型生成的摘要会不会偏移？数十万篇论文如何持续更新？摘要是否已经丢失细节？这些也都是问题。

四、Agent 的强项，是反复搜索

最近我让本地的 Codex 直接搜索自己的 Obsidian 笔记库。它并不是一句话做"语义理解"，然后直接生成答案。它是在不断迭代搜索。

一开始，它先用"思溪藏""思溪"做粗搜索。命中的主要文件包括我本地的《藏经源流研究大纲》《藏经新例子》《译经源流研究大纲》等。随后，它又自动追加关联词继续检索。比如增上寺、圆觉藏／圓覺藏、如暴／如雹、福州藏、王氏、绍兴二年。原因很简单：很多材料并不会直接写"思溪藏"。它们可能是通过寺院、异文、人物、目录或刊刻信息间接关联起来的。

接着，它继续通过上下文缩小范围。比如思溪与写本的关联、思溪藏的小字、大般若 220 卷、普宁藏等线索。最后，再回到原 Markdown 的具体行号进行核对。

所以最终提取出来的，并不是 AI 凭印象生成的总结，而是能够明确对应到原文位置的材料。例如思溪与写本关系、补版造成的多层文本、增上寺本修补、大正藏／缩刷藏校勘链条、"如暴／如雹"异文案例、圆觉藏／资福藏目录问题、普宁藏题记、大般若版式变化。

我觉得这个例子非常能说明，为什么 Agent 很适合作为学术搜索工具。它做的事情就是，反复搜索，动态调整关键词，自动扩展关联概念，阅读上下文，再回到原文定位。这其实已经非常接近传统文献学训练了。

五、未来的知识管理，会更轻量化

未来的知识管理系统，可能得做小而不是做大。更可能出现的情况是：用户不需要安装复杂软件，也不需要维护庞大的知识库。只要把本地文件权限开放给 AI Agent，像 Codex 这样的系统，就可以直接进入 Obsidian、Markdown、PDF、本地文件夹和文献目录。它可以自动完成搜索、扩展、定位与上下文分析。当然，从现在的情况看，已经开始不难实现了。如此一来，AI 学术搜索就能让我们更快、更精准地回到原文。这正是研究需要的地方。