欢迎回来！上一节课，我们给 XiaoPaw 建立了文件系统记忆：Agent 能主动把用户偏好写进 user.md，把自己的行为规范追加到 agent.md，还能按需加载主题文件，把 Bootstrap 的注意力预算用在刀刃上。20 课解决了"写"的问题——记忆有了写通道，不再是工程师手动维护的静态文件。

但停下来想一个问题：这套文件系统能撑多久？

假设 XiaoPaw 陪伴晓寒工作三个月，积累了大量对话记忆。memory.md 的 200 行硬上限早就撑破了，主题文件越来越多 rap 加载时间越来越长。某天晓寒问：“我上次让你帮我查的那个向量数据库对比，结论是什么来着？”——文件索引里有"向量数据库"这个关键词，但"上次那个"指的是哪次？三个月前的哪个 session？文件系统没有答案。

这就是文件索引的天花板：数据量小时够用，数据量大时必然走向搜索。 本课我们就来解决这个问题：用搜索驱动的记忆系统，让 XiaoPaw 拥有无上限的长期记忆。

一、 认知原点：RAG 的本质到底是什么？

很多人第一次听到 RAG（Retrieval-Augmented Generation，检索增强生成），脑子里浮现的画面是：向量数据库、embedding、余弦相似度……这个印象没错，但不完整。