A közelmúltban egyre gyakrabban hallani azt az állítást, hogy az RAG (retrieval augmented generation) technológia elavult, és a leghatékonyabb AI kódolási eszközök már elhagyták ezt a módszert. Ez a narratíva főként a közösségi médiában terjed, azonban a valóság sokkal árnyaltabb: bizonyos felhasználási körökben valóban háttérbe szorult, de számos alkalmazásban továbbra is alapvető része a működésnek.
A videó számos példán keresztül mutatja be, hogy a hagyományos, vektordatabase-alapú szemantikus keresés főleg akkor szükséges, ha nagyméretű, rendezetlen vagy strukturálatlan szöveges adatokat dolgozunk fel. Ilyen esetekben csak így találhatók meg a tartalmi hasonlóságok, szinonimák vagy elrejtett információk a dokumentumok ezreiben.
Ugyanakkor, a kódolás és fejlesztés területén a használt adatok többnyire szigorúan strukturáltak, így az AI ügynökök – például Codex vagy terminál-alapú keresési eszközöket használva – egyszerű reguláris kifejezésekkel és pontos azonosítókkal gyorsabban és pontosabban dolgoznak, mint ha szemantikus keresést használnának. Ezért a kódolási ügynökök egyre gyakrabban építenek be fájlrendszer-navigációt, valamint olyan eszközöket, mint a Rip Grep vagy a Tree Sitter.
A videó további fontos kérdéseket is felvet a fenntarthatóságról és a karbantartásról: a vektordatabase folyamatos naprakészen tartása a kód gyors módosulása miatt nehéz és erőforrásigényes lehet, ellentétben a statikusabb tudásbázisokkal. Szó esik arról is, hogy bizonyos innovatív eszközök, például a Claude Code és az Ader, hogyan kerülik el a hagyományos RAG-ot, és milyen előnyöket kínálnak az alternatív megközelítések.
Nem utolsósorban szó esik a hibrid megoldások lehetőségéről is: egyes esetekben az AI ügynökök képesek eldönteni, mikor érdemes hagyományos RAG-ot alkalmazni, és mikor célszerűbb más keresési stratégiát választani – így még rugalmasabbá válik az adatokhoz való hozzáférés.
