把公司资料全塞给 AI，是否就不用再搭检索系统了？Sarah Schürch 做了一次小型受控实验：她把自己写的 33 篇文章合成约 12.7 万 token——token 是模型处理文字的基本单位——让 Kimi K3 分别用两条路径回答同样的 12 个问题。一条整包读取全文；另一条采用 RAG（检索增强生成），先找出五段相关文字再回答。
两边使用相同的系统指令、模型和生成设置，唯一主要差别是输入材料。作者还把成对答案打乱成 X、Y 后盲评，尽量避免知道答案来源影响打分。这个设计的价值，在于把“资料放得进上下文窗口”和“回答得更好”拆开，并准备同时比较质量、延迟与成本：长上下文省去分块和检索维护，却要反复读取约 12.7 万 token；RAG 输入更短，但要承担建索引和检索的费用。遗憾的是，现有供稿截取到实验设置为止，未披露最终数字，因此还不能据此宣布长上下文已经替代 RAG。