核心内容摘要
3.3 指令微调与高效微调：SFT、LoRA 与上下文扩展
Claude Cowork的出现不是要消灭RAG而是把记忆这个维度的重要性推到了大家面前。
RAG依然是外接知识的最佳选择Cowork则填补了用户理解这个空白。
两者不是替代关系而是互补关系。
近期Anthropic放出一个大招——Claude Cowork要支持知识库级别的记忆能力了。
消息一出整个AI圈瞬间炸开了锅。
有人激动地说RAG这下要失业了也有人冷静地分析别高兴太早事情没那么简单。
作为一个在AI圈摸爬滚打多年的从业者见过太多颠覆性技术的炒作。
但这次确实有些不一样。
为什么因为Cowork解决的恰恰是RAG一直没能解决好的那个痛点。
记忆的两条路在展开讨论之前我想先讲个事儿。
前两天一个朋友跟我吐槽我让AI帮我写文章光是跟它解释我喜欢什么样的风格就花了整整二十分钟。
每次对话都得从头说起烦都烦死了。
这就是传统RAG的局限性。
RAG的全称是Retrieval-Augmented Generation说白了就是先检索、再生成。
用户提问系统去知识库里找相关文档然后把找到的内容喂给模型让模型据此回答。
整个过程核心是检索但这个检索有个致命问题它是只读的。
什么意思呢模型可以从知识库里读数据但不会往里写数据。
你每问一次问题系统都要重新检索一遍。
你上周问过的相似问题系统早就忘得干干净净了。
后来出现了Agentic RAGAI可以先判断要不要检索。
但判断归判断本质还是只读模式。
知识库里的内容不会自己更新、不会自己学习。
而Claude Cowork不一样它不只读还会写。
用户每次跟它交互它都会记住关键信息。
你喜欢什么风格、你公司做什么产品、你最近在忙什么项目——这些信息会被分门别类地存起来下次对话时自动调用。
举个例子你让AI写一篇产品介绍不用每次都重复我们公司是做XX的主要客户是XX风格要XX。
它第一次记下来之后后面的对话它自己就记住了。
听起来是不是很美好但问题来了——真能完全替代RAG吗我的答案很简单不能。
没那么神但确实更近一步为什么说不能完全替代我从三个角度来分析第一定位不同。
RAG解决的是知识外接问题。
模型不知道的东西你可以把文档喂给它。
它擅长处理静态的、公开的、一次写入长期使用的内容比如公司规章制度、产品手册、行业报告。
而Cowork解决的是用户理解问题。
它记住的是你和AI交互过程中产生的信息是动态的、个性化的、不断变化的。
这两者根本就不是一个赛道的东西。
你能让RAG记住用户的写作偏好你能让Cowork存下一整个行业知识库都不太现实。
第二技术复杂度不一样。
传统的RAG系统说白了就是写文档→建索引→检索。
技术成熟生态完善开箱即用。
但Cowork这套东西要复杂得多。
什么短期记忆、长期记忆、用户属性怎么分、怎么存、什么时候删、怎么保证检索效率——每一个都是工程难题。
我之前研究过Claude的记忆架构它分了好几层系统指令是静态的用户记忆是动态更新的对话历史是按需检索的。
这套东西搭建起来门槛可不低。
第三向量数据库依然是刚需。
很多人可能有个误解觉得Cowork出来了向量DB就没用了。
大错特错。
当记忆系统从只读变成可写反而对向量数据库的要求更高了。
大家可以想想以前只需要存文档、建索引、查相似。
现在呢用户每操作一次就得实时写入一条记录。
写入慢了下次就读不到刚才的上下文。
这对实时写入能力要求极高。
而且什么时候该存、存什么、存多久——这些问题应用层自己解决不了还得靠向量DB的能力。
有意思的是RAG圈子里其实早就在往这个方向探索了比如Agentic RAG、Memory-Augmented RAG都是在尝试给RAG加上记忆能力。
只是Anthropic这次做得更系统、更彻底而已。
结语说到底Claude Cowork的出现不是要消灭RAG而是把记忆这个维度的重要性推到了大家面前。
RAG依然是外接知识的最佳选择Cowork则填补了用户理解这个空白。
两者不是替代关系而是互补关系。
最好的状态是什么我猜测未来的AI系统会同时具备这两种能力用RAG处理公共知识用Cowork处理个人偏好。
各司其职互相配合。
至于现在嘛别被炒作带偏了。
技术演进从来不是一蹴而就的该用RAG的场景继续用RAG该关注Cowork的持续关注。
保持清醒比什么都重要。