前言：代码理解的下一维度

2026-08-12 15:14 GMT+8

理解代码库的方式在进化：

第一代：grep + 文本搜索

• 找到包含某个关键词的文件
• 不理解结构，不理解关系

第二代：LSP + 语言服务器

• 理解单个文件的语法
• 不理解跨文件关系

第三代：RAG + 向量检索

在企业级 RAG 系统中，检索引擎的选择直接影响最终的生成质量。

RAG 引擎基于文档内容的向量化分块，通过 Embedding 向量相似度 + BM25 混合检索实现语义匹配。

KAG 引擎基于知识图谱的 Neo4j 实体关系，通过 LLM 实体识别 → Neo4j 多跳遍历实现结构化推理。

两者各有优劣：RAG 擅长语义匹配和理解用户意图，KAG 擅长结构化推理和发现隐含关联。

最佳实践是通过 RRF（Reciprocal Rank Fusion）加权融合，权重可调，实现互补优势。

你有一个企业。

你有海量的文档、PDF、Word、Excel、PPT。

你想建立一个知识库。

但你有三个问题：

怎么建立？怎么审核？怎么维护？

还有，怎么让 AI 理解用户的意图？

RAGFlow 是一个开源的 RAG 引擎。

它给你一个完整的答案。

代码库是人类写的。

但人类理解代码库的方式，并不是人类写代码的方式。

写代码是线性的。

理解代码是网络的。

Understand Anything 把代码库变成知识图谱。

然后给你七种用途，让代码库「可理解」。