RAG做不好GTM智能体的原因：从信息检索到专家推理的跃迁

引言：检索并不等于智能

在AI智能体（Agent）浪潮中，RAG（检索增强生成，Retrieval-Augmented Generation）几乎成了默认的技术底座。它的逻辑很直接：把知识存进向量库，用户提问时检索最相关的片段，再交给大模型生成答案。对于大多数「答案已经存在于某处」的场景，RAG确实表现出色。

但一位正在开发GTM（Go-To-Market，市场进入）智能体的开发者，在Reddit上提出了一个值得深思的观点：单靠检索，做不好GTM智能体。 这并非因为RAG技术本身有缺陷，而是因为GTM工作的本质，恰恰不是「查找信息」，而是「模式识别」。

reddit source

RAG的工作原理可以简述为三步：首先将文档切分成小片段并通过嵌入模型（Embedding Model）转化为高维向量，存入向量数据库；用户提问时，问题同样被向量化，系统通过余弦相似度等算法检索出最相关的片段；最后将这些片段作为上下文拼接到提示词中，由大语言模型生成最终回答。这一架构在「知识问答」类场景中极为高效，能有效缓解大模型的「幻觉」问题，并降低对模型参数中预训练知识的依赖。然而RAG的前提假设是：答案本身已经以某种形式存在于文档库中，只需被找到即可。当问题的答案需要通过推理、比对和验证才能生成时，RAG的天花板便清晰显现。

GTM知识的特殊性：不是事实，而是直觉

经验型知识无法被简单检索

作者的核心论点在于：资深GTM从业者所掌握的知识，往往不是某个可以被检索到的「单一事实」，而是长期积累形成的模式识别能力。

他们见过足够多的营销活动，因此在面对一家公司、一个理想客户画像（ICP）、一份客户名单、一个市场或一次活动结果时，能够本能地捕捉到关键信号。这种能力更接近「直觉」，而非「知识条目」。

举个例子：当有人告诉智能体「我们最好的客户似乎都来自处于某种特定增长阶段的公司」时——

一个基础的RAG系统会检索出一份关于「增长信号」的营销手册；
但这远远不够。

这类难以言传的经验性知识，在认知科学中通常被称为「隐性知识」（Tacit Knowledge），由哲学家迈克尔·波兰尼（Michael Polanyi）提出，与可以明确表达的「显性知识」相对。GTM领域的隐性知识尤为典型：老手能感知到「这个客户快要流失了」或「这个市场时机已经过了」，却很难将这种判断完整写成文档供他人或系统直接调用。这正是RAG的结构性局限——向量数据库擅长存储和检索显性知识，对隐性知识却无从下手。将专家经验转化为可被机器推理的结构化模式，是当前智能体工程中最核心的挑战之一。

智能体真正需要做的事

面对上述场景，一个称职的GTM智能体应当：

深入真实客户数据，而非停留在通用手册；
寻找这些账户之间的共性，识别隐藏的模式；
验证这个模式是否成立，而不是想当然；
判断该信号对这家公司是否真正有用。

这是一个「推理」的过程，而不是「检索」的过程。检索能给你一份现成的答案，但推理才能把知识应用到从未见过的新情境中。

Kuron的思路：把操作者知识变成可推理的能力

作者将这一理念落地在自己的第二款SaaS产品Kuron上。他的构建路径颇具启发性：

第一步：注入「操作者知识」

他首先将资深GTM人员的工作知识（working knowledge）灌入系统，包括那些从实际运营营销活动中总结出来的经验模式。这些模式不是抽象理论，而是「真刀真枪跑出来的」实战经验。

第二步：检索而不盲从

关键区别在于——Kuron在相关时会检索这些模式，但不会盲目套用。

它必须审视眼前的具体情况，判断：

哪些已有模式适用于当前场景？
如果都不适用，那么什么才适用？
应该如何应用？

这种「先判断适用性，再决定应用方式」的机制，正是它区别于普通RAG系统的核心。检索提供了候选模式，而推理决定了最终行动。

这种架构在AI工程领域有时被称为「知识图谱增强推理」或更广义的「神经符号系统」（Neuro-Symbolic AI）思路：将专家经验编码为结构化规则或模式库，再由模型在推理阶段动态调用和组合，而非在检索阶段一次性返回。与纯RAG相比，这一路径的工程复杂度更高，需要在知识采集阶段投入大量精力对专家经验进行结构化整理，但换来的是更强的泛化能力——系统能够在未见过的新情境中判断已有经验的适用边界，而不是生搬硬套。

RAG依然重要，但不是全部

值得强调的是，作者并没有否定RAG的价值。他明确指出：

RAG对于那些稳定的、已经被文档化的内容仍然非常有意义。

换句话说，在知识边界清晰、答案确定的场景里，RAG依然是高效可靠的选择。真正令人兴奋的进阶方向，是将操作者的经验知识运用到全新的情境中——这正是从「信息检索」迈向「专家推理」的跃迁。

更深层的思考：智能体的能力分层

这条Reddit讨论其实揭示了当前AI智能体设计中一个普遍被忽视的问题：我们过度依赖检索，而低估了推理。

可以把智能体的能力粗略分为三层：

层级	能力	适用场景
L1 检索	找到已有答案	文档问答、知识库查询
L2 模式匹配	识别相似情境并套用经验	常规业务判断
L3 情境推理	在新情境中验证并组合知识	GTM、战略决策等复杂领域

对于GTM这类高度依赖经验直觉的领域，仅停留在L1显然不够。真正有价值的GTM智能体，需要具备L3的能力——能够拿着专家的知识库，面对一个前所未有的市场情况，自主判断哪些经验成立、哪些需要调整。

结语

这位开发者的观点，本质上是在提醒整个行业：知识的价值不在于被存储，而在于被恰当地运用。 RAG解决了「知道」的问题，但GTM智能体真正需要的是「会用」的能力。

当越来越多的产品把「接入RAG」当作AI能力的终点时，或许我们更应该思考：如何让智能体像资深操作者一样，面对新问题时能够推理、验证并做出判断。这才是从「信息工具」走向「智能伙伴」的关键分水岭。