当前位置：首页>排行榜>Skills 能替代 RAG 吗?企业 AI 应该如何选择

Skills 能替代 RAG 吗?企业 AI 应该如何选择

更新时间 2026-11-04 13:05:05

有了 Skills，企业还需要 RAG 吗？

最近，随着 Agent Skills 受到越来越多关注，一种观点开始出现：

既然可以把企业资料放进 Skill 的 References 目录，让 AI 按需读取，是不是就不需要建设 RAG 知识库了？

这个问题值得讨论。

因为在企业 AI 建设中，知识库、工作流程和智能体往往同时出现。

如果没有理解不同技术的作用，很容易将它们视为相互替代的方案。

但实际上，Skills 和 RAG 并不处于完全相同的技术层面。

要理解两者的区别，可以先从一个日常工作场景说起。

同样是处理项目报告，Skills 和 RAG 做什么？

假设一家工程企业希望 AI 协助编写一份项目风险分析报告。

完成这项工作，需要解决两个问题。

第一个问题是：

报告应该怎么写？

需要包含哪些章节？风险如何分类？使用什么评价标准？结论应采用什么格式？

这些属于工作方法和业务规范。

第二个问题是：

报告应该依据哪些资料？

项目当前进度如何？过去发生过哪些类似风险？最近的检查记录有哪些？相关制度是否发生变化？

这些属于具体的业务知识和事实信息。

Skills 可以帮助解决第一个问题。

它可以把报告编写流程、检查规则和输出模板组织起来，让 AI 知道应该按照什么步骤完成任务。

RAG 则可以帮助解决第二个问题。

它可以从企业知识源中检索与当前问题相关的资料，为 AI 的分析和回答提供依据。

因此，可以用一句话理解两者：

Skills 侧重告诉 AI 如何做，RAG 侧重帮助 AI 找到做事所需的信息。

这是一种便于理解的概括，而不是严格的功能边界。Skill 也可以包含参考知识，RAG 检索到的内容也可能包含操作方法。

为什么 References 不能简单等同于 RAG？

上一期文章介绍了 Skills 的 References 目录。

企业可以把报告规范、专业说明和常用模板放进去，让 AI 按需读取。

看起来，这和 RAG 都是在向 AI 提供外部知识。

但二者的机制不同。

References 通常是由 Skill 作者组织的配套文件。

AI 可以按照技能说明和当前任务需要，读取指定文件或其中的相关部分。

而 RAG 的关键在于检索。

当用户提出问题时，系统通过关键词、向量或混合检索等方式，从知识源中寻找相关内容，再提供给生成模型。

因此，对于数量有限、结构清晰、与某项任务密切相关的参考资料，Skills 的文件组织方式可能比较直接。

但对于海量文档、复杂查询、跨项目资料和持续更新的业务知识，RAG 往往更适合承担检索任务。

当然，RAG 也不是没有成本。

它需要建设和维护知识源、索引、检索策略、权限体系和质量评估机制。

如果资料规模很小，使用复杂的检索架构未必划算。

企业应该如何选择？

可以从三个维度判断：

首先，看知识是否经常变化。

如果主要是报告格式、工作流程和常用检查方法，这些内容相对稳定，可以优先考虑 Skills。如果涉及实时设备状态、持续更新的项目资料和最新业务记录，就需要更适合动态数据访问的机制，例如业务 API、数据库查询或 RAG。

其次，看知识规模。

如果只是少量经过整理的专业参考文件，使用 References 可能已经满足需求。如果企业拥有数万份甚至更多文档，需要按项目、时间、权限和内容进行检索，专门的知识检索系统通常更合适。

最后，看任务是否需要多个步骤。

如果只是查找一项规定，检索系统就可能完成主要工作。但如果需要先查资料，再分析风险，随后生成报告、创建任务并等待人工确认，就需要更完整的工作流程组织能力。这时，Skills 可以提供工作方法，RAG 提供知识支持，其他工具负责执行操作。

企业 AI 更值得关注的是组合能力

在真实业务中，企业往往不会只需要某一种技术。

例如，园区管理人员提出：

“请根据最近一个月的设备异常记录，分析重复发生的问题，并生成下周巡检建议。”

完成这项任务，可能需要多个能力协同：

首先，AI 需要知道应该如何开展设备异常分析。这可以通过相关 Skill 提供工作步骤和输出要求。
随后，系统需要获取最近一个月的设备记录。这些数据可以通过业务系统接口或适当的检索机制获得。
接下来，AI 根据已获得的信息和企业规则，整理重复问题及可能的风险。最后，生成巡检建议，并交由管理人员确认。如果后续还需要创建巡检任务，就要进一步连接任务管理系统。

在这个过程中，Skills、RAG 和业务工具承担不同职责。

它们并不是互相竞争，而是共同服务于一个完整的业务目标。