它用 Grep / Glob / Read 在代码库里反复试探，而不是先建一套向量索引。这不是偷懒，而是对「代码」这个特殊语料的工程权衡。
很多人默认「AI 读代码库 = 把代码向量化 → 存向量库 → 查询时召回」。但 Claude Code 走的完全是另一条路：
关键观察：Claude Code 的工具箱里压根没有「向量检索」这一项。它的检索原语是 Grep（正则匹配）、Glob（文件名模式）、Read（读文件）——全是精确、确定性、零前置成本的操作。
而外面套的是一层会推理、会迭代的 Agent：搜一个词 → 看结果 → 判断要不要换个词 → 顺着函数名找调用方 → 反复几轮直到拼出全貌。
RAG 的本质是一笔交易：用「预建索引的成本」换「查询时的低延迟与语义召回」。这笔交易在「文档 / 知识库」场景非常划算，因为语料稳定、查询需要语义理解。
但代码库有几个特性，让这笔交易变得可疑：
文档型语料几周一更新，代码库一天几十次 commit。索引一旦落后，Agent 会基于已经被删除或改写的函数去思考——这比"没搜到"更危险。
而 Grep 读的是磁盘当前状态，天然实时，零维护成本。
自然语言问"怎么处理登录失败"才有语义需求；代码问 verify_token 定义在哪，是精确符号查找。
代码标识符唯一、可枚举，Grep 命中率接近 100%；向量召回反而引入噪声。
大仓库建索引动辄几分钟到几十分钟。用户打开工具就想立刻干活，不可能先等一轮索引构建。
Grep 是零前置成本的——clone 完就能搜。
grep "verify_token" 的结果完全可预测，用户自己敲一遍就能验证。
向量 top-k 是概率性的黑盒，"为什么搜出这个"难以解释。在要改代码、要对正确性负责的场景，可预测性比模糊智能更值钱。
向量化通常要调 embedding API，等于把代码发到外部服务。企业代码库对此极其敏感，这常常是硬性红线。
本地 Grep：零外部依赖、零数据外泄、零 API 成本。
文档按字数切一段，语义还算完整。代码按行数切，很容易把函数从中间劈成两半，召回的片段语法不完整、无法直接引用。
代码有天然切分单位（文件、函数、类）——但按 AST 切已经是"结构化索引"，不再是向量 RAG 了。
最致命的是 ① 和 ② 的组合：代码既要实时（① 过期代价高），又不需要语义模糊（② 精确匹配就够）。RAG 最核心的两个卖点——"语义召回"和"快速响应"——在代码场景里，一个用不太上，一个要拿新鲜度去换。
这是最核心的一条理由。RAG 默认语料是静态快照，而代码是持续流动的：
为什么"过期"在代码场景特别致命？因为 Agent 拿到检索结果后是要据此改代码的。召回一个已被重命名的函数、一份已废弃的配置，AI 会基于错误前提写出错误补丁——而它自己还不知道。宁可"没搜到，我再换词"，也不要"搜到一个错的"。
它并不是"完全没有索引"。它把索引这件事换了一种形态——从「向量的、黑盒的、机器生成的」，变成了「文本的、可读的、人机共同维护的」：
一句话概括这个思路：把"机器自动生成的隐式索引"，换成"人机共同维护的显式索引"。前者省人力但会过期且不可审计；后者要人（或 AI）花一点时间写，但永远准确、可读、可控。
| 维度 | 向量 RAG | Claude Code（Grep + Agent） | CLAUDE.md / Memory |
|---|---|---|---|
| 前置成本 | 高（需建索引） | 零 | 低（写文档） |
| 新鲜度 | 会过期，需持续重建 | 永远实时 | 半衰期长（记约定不记实现） |
| 精确匹配 | 弱（模糊召回有噪声） | 强（正则精确命中） | 取决于写得多清楚 |
| 语义模糊匹配 | 强（核心卖点） | 弱（但 Agent 会换词补位） | 中（靠人写清楚） |
| 查询延迟 | 毫秒级 | 秒级（多轮推理） | 直接进上下文 |
| 可审计 / 可复现 | 黑盒，难解释 | 完全可复现 | 白盒，可人工修订 |
| 隐私 / 外部依赖 | 通常需 embedding 服务 | 纯本地 | 纯本地文本 |
| 超大仓（几十万文件） | 适合 | 需更多轮试探 | 写不完 |
前面的论证有明确前提：单人交互、能接受秒级响应、仓库规模可控。前提一变，结论就变。
还要补一句：这两条路不是二选一。现在不少 Agent 系统就是混合打法——grep 做精确匹配、向量检索做语义兜底、调用图查询做结构还原，各取所长。Claude Code 当前选择纯精确检索，是因为它的场景（单人 + 有强推理 + 要实时）让这笔交易不划算；场景一变，加一层向量召回完全合理。
因为 RAG 的核心交易是「预建索引 → 换查询时的语义召回与低延迟」，而代码这个语料既持续变动（索引会过期，且过期会导致 AI 基于错误信息改代码），又高度精确可寻址（根本不需要语义模糊匹配）——RAG 的两个卖点在这里一个打折、一个用不上。
与此同时，Grep / Read 是零前置成本、永远实时、完全可复现、纯本地无依赖的；它唯一的短板"语义召回弱"，由外层那个会换词、会顺藤摸瓜的强推理 Agent 补位。
而"索引"这个角色，Claude Code 交给了 CLAUDE.md + Auto Memory——一份可读、可编辑、可进 git、可人工修正的活索引，而不是一堆黑盒向量。
这不是"RAG 不好"，而是"在这个场景约束下，精确检索 + 强推理 + 显式记忆，是更划算的组合"。