起手就是文档切分、向量化，然后接下来存向量库，最后检索召回，得到最相关的topK片段给到大模型。然后立刻发现，agent场景中，相似度高，并不一定等于正确。

一旦出现跨页面答案，或者几个chunk拼合一起，才能组成正确答案的情况，传统RAG流程，就会力不从心。

原因很简单，RAG的这套逻辑是做简单、被动查询用的，不是给Agent用的。Agent获取信息，需要像人看书一样，先读目录看整体结构，再点开具体章节文件读，找不到再精准搜、语义搜，这才是最自然的探索逻辑。

怎么怎么让agent掌握这种层层递进的知识获取结构呢？

针对这一背景，我们尝试在向量数据库之上，搭建一层更贴合 Agent 的知识交互层，将其设计为类似文件系统的使用形态，这就是 VKFS。

以下为VKFS建设思路。

01

RAG系统在agent知识管理中，为什么跑不通

RAG的核心是向量数据库，它已经很好地解决了存储和召回，这一点没有问题。但在agent场景中，只依赖向量数据库提供的topK内容，会让检索到的信息没有全局观（完整目录阅读）、上下文缺失等问题。

过去行业里有三种应对思路。

第一种思路，把向量库接口直接丢给Agent，让它学collection、topK、filter、metadata、返回结构这些非常专业的工程概念，这个思路的问题是消耗上下文又容易出错。

第二种思路是把检索逻辑依旧固化在系统侧，Agent只当搬运工。这种方式在路径固定、问题明确的时候很好用，但一旦需要 Agent 自己决定什么时候查、查哪里、怎么缩小范围，就会显得不够灵活。

第三种思路就是搞个大一统的search入口。这样结构简单了，但是也会把浏览、读取、精准定位全揉在一起，不符合 Agent 的实际使用方式。

02

VKFS 是什么？

简单来说，VKFS 是面向 Agent 的知识操作层：底层接的是向量数据库，上层用文件系统的逻辑包装，让Agent用ls、cat、grep、search这些直觉化命令，就能操作知识。

agent会在看目录之后，再找文件，再读内容，再做精确或语义搜索。

其中，ls、find看目录（内存PathTree实现零延迟，不用频繁调接口），cat把向量库里的零散chunk拼成完整文件，grep做精准关键词过滤（先靠向量库粗筛，再内存正则细筛，不浪费资源），search做语义探索。

整个过程中，Agent不需要理解任何向量库逻辑，凭文件操作直觉就能搞定全链路知识访问。

在 VKFS 里，知识访问会被整理成这样一组命令：

vkfs ls /docsvkfs cat /docs/readme.mdvkfs grep "authentication" /docsvkfs search "deployment guide" /docs --top-k 5

03

VKFS 是如何做agent场景适配的？

VKFS 做的事情核心是四点。

1. 先把知识变成一个虚拟文件树

VKFS 用一个 PathTree 保存虚拟文件树，把知识组织成一个可导航的命名空间。PathTree 作为一条特殊记录（id = “path_tree”）存储在向量数据库的 Collection 中，启动时一次加载到内存。之后 ls、find、stat 这类操作完全不产生网络请求，全部走内存，延迟为零。

2. 底层按 chunk 存，上层尽量按文件来用

文件在 ingest 时会被切成 chunk，写入向量数据库，便于后续检索。Markdown 文件按段落边界切分，其他文本按行边界切分，最大分块 2000 字符，分块 ID 由 SHA-256(文件路径:序号) 确定性生成。

但在上层，它仍然尽量保持文件级别的语义：可以 cat 读完整内容，也可以围绕路径和文件继续做搜索。这样做不是为了把文件切碎，而是想同时保住两件事：检索粒度，以及文件本身的可读性。

例如：

vkfs cat /docs/agent-memory.mdvkfs stat /docs/agent-memory.md

前者偏向读具体内容，后者偏向看文件信息。对 Agent 来说，这种区分比直接操作一组检索参数更自然。

3. 知识访问不只有一种方式

真实知识访问里，既有语义相关的问题，也有精确定位的问题。

有时候要找的是相关内容，有时候要找的是明确出现过的关键字、配置项、接口名。VKFS 里同时保留了 grep 和 search，不是为了把命令做多，而是想让不同类型的问题，都能有更合适的入口。

例如：

vkfs grep "milvus" /docsvkfs search "how to deploy milvus" /docs --top-k 3

前者更像精确定位，后者更像语义召回。

grep 的实现分两阶段：先从向量数据库取出 top-50 候选分块（利用标量过滤能力），再在内存中用正则表达式逐行过滤。Agent 可以用正则做精确匹配，而不需要把所有数据拉到本地。

4. 把底层能力和上层实现拆开

另外，在设计 VKFS 的时候，我们有意地把两层能力做成了可插拔。

一层是向量数据库可插拔。VKFS 上层的知识操作方式尽量保持一致，但底层可以接不同的 vector store。目前已经支持Milvus/Zilliz（REST API v2 + gRPC 双模式适配）和SQLite（纯 Go 实现，零依赖，用于本地开发）。这样做不只是为了兼容不同环境，更是为了把"知识操作层"和"具体存储实现"分开。

另一层是向量模型可插拔。不同团队在 embedding 模型上的选择会受到成本、语言、效果和部署方式的影响。目前支持 OpenAI、Cohere、SiliconFlow（BAAI/bge-m3）、Ollama（本地模型）。把这层抽出来以后，这个尝试才更像一个接口层，而不是一次性的绑定实现。

所以从设计上说，VKFS 不只是想把知识访问换一种交互方式，也想把底层依赖和上层语义尽量拆开。

04

为什么构建在 Milvus 之上？

向量数据库的价值，从来不只是把 embedding 存起来。更重要的是，它为上层系统提供了一个可靠的数据底座。

VKFS 之所以会落在 Milvus 之上，不是因为它要绕开向量数据库，而是因为它一开始就把向量数据库当成底座。

具体来说，VKFS 在一个 Milvus Collection 中同时使用了多种能力：

• JSON 文档存储：PathTree 作为一条完整 JSON 记录存入 Collection，启动时一次GetPathTree 加载，后续浏览操作零网络开销
• 标量过滤：page_slug like "/docs%" 实现路径前缀过滤，doc_type == "chunk" 区分记录类型，让cat 和grep 能精确命中目标分块
• 向量相似度搜索：search 命令背后是标准的 L2 距离检索，支持 topK + filter 组合

Milvus 解决的是向量存储、相似度检索、规模和性能；VKFS 试着补的，是 Agent 如何更顺手地去使用这层能力

小结

过去，我们讨论知识库，更多是在讨论如何把文档变成向量。

但当知识真正交给 Agent 使用时，问题会往前走一步：除了能不能做相似检索，我们还得思考，它能不能给出正确答案。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇