传统方案里，大模型要获取知识，通常得先走一遍RAG（检索增强生成）流程：把文档切块、向量化、建索引，再根据问题去检索最相关的片段。MiniClaw却换了个思路——它给大模型提供了一个read_file工具，让模型自己主动去读文件，绕开RAG那一整套基建。

动机：RAG的隐性成本

打开网易新闻 查看精彩图片

RAG听起来美好，但落地时有不少隐性成本。文档切块的大小怎么定？向量化用哪个模型？检索到的片段到底相不相关？这些环节每一步都可能引入误差，而且维护索引本身也是一笔持续开销。MiniClaw的出发点很直接：既然大模型已经具备阅读理解能力，为什么不直接让它读原始文件？

机制：把"检索"变成"阅读"

在MiniClaw的架构里，read_file工具相当于给了大模型一双眼睛。模型不再被动等待检索结果，而是可以按需打开文件、查看内容、提取信息。这种主动读取的方式，把原来"先检索再回答"的两段式流程，压缩成了"边读边答"的单一动作。

代价与失败场景

当然，直接读文件并非没有代价。文件越大，读取消耗的token就越多，响应时间也会拉长。如果文件内容庞杂，模型还可能"读偏"，抓不住重点。MiniClaw的应对策略是配套的容错机制——当读取失败或信息不足时，模型会得到相应的提示，从而调整读取策略或请求更多上下文。

取舍的本质

RAG适合知识库庞大、需要精准定位的场景；read_file则更适合文件数量可控、需要模型深度理解全文的场合。MiniClaw的选择不是要取代RAG，而是提供另一种更轻量的路径——当文件就在手边时，直接读，比绕一圈检索更高效。