導讀：過去兩年 RAG 幾乎成了 AI 應用標配。但 Mintlify 發現，讓 AI 像人一樣用 grep、cat 瀏覽資料，更快、更準，還便宜好幾個數量級。
RAG 的隱藏成本
RAG 邏輯直覺：把文件切段存向量庫，有問題搜相關段餵給 AI 組答案。實際使用有三痛點：
答案若分散在五個不同頁面段落，RAG 很難湊齊；精確搜尋（「/v2/users 的錯誤碼列表」）需要完全吻合的語法，向量搜尋擅長語義相似度而非精確匹配；每次查詢都要啟動沙盒——Mintlify 的沙盒啟動要 46 秒，用戶等不了。
假裝有個檔案系統
ChromaFs 核心想法出奇簡單：別真給 AI 一個沙盒，造一個「假的」檔案系統。AI 下達 grep "error code" /docs/api/，ChromaFs 把它翻譯成向量資料庫查詢。
AI 以為在瀏覽檔案系統，實際在查資料庫。介面是它熟悉的 ls、cat、grep、find，能自然組合層層深入。
效果：Session 建立從 46 秒降到 100 毫秒——快 460 倍。邊際計算成本降到零，直接重用既有向量庫基礎設施。
RAG 不等於向量搜尋
@dotey 在 HN 討論串點出一個被忽略的事實：RAG 和向量搜尋被不必要綁在一起。RAG 的「R」是 Retrieval，但檢索不必用向量搜尋——全文搜尋、SQL、grep，都是檢索手段。
現代 AI 有工具使用與推理能力，能自己判斷該用哪種策略：API 規格用 grep，未知主題用語義搜尋，結構化數據用 SQL。把策略寫死反而限制 AI 能力。
ChromaFs 不是取代 RAG，而是讓 AI 選擇最適合當前任務的檢索方式。
為什麼這件事很重要
對建構 AI 應用的團隊：別因為「大家都用 RAG」就預設它最佳。先問——用戶查資料模式是什麼？結構化瀏覽（明確目錄層級），檔案系統介面更優；開放式探索（不知答案在哪），向量搜尋才是強項。
對一般使用者：給 AI 「瀏覽」的機會，而不只「提問」。與其問「X 的錯誤碼是什麼？」，不如讓它先看整個文件結構再找答案。就像到新圖書館先看書架分類，比直接問館員更有效率。
最好的檢索策略，是讓 AI 自己選擇檢索策略。
References
- Building a Virtual Filesystem for Mintlify's AI Assistant. 2026.
- @dotey. Thread: ChromaFs Architecture Analysis. 2026.
- Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020.