MCP 与 RAG 结合：Tool 即知识的边界

RAG 的局限：知识是"静态快照"（索引时定了，之后不变）。MCP 的强项：能力是"动态接入"（随时调用）。把两者结合——把知识变成工具，让 LLM “查询即检索”——是知识型 Agent 的新架构。

一、RAG 的天花板

核心问题：RAG 把知识变成了"静态切片"，而业务知识是动态、结构化、有权限的。

二、MCP 给出的答案：查询即检索

变化：

优势：

三、架构模式

模式 A：查询工具（替代 RAG 检索）

1
2
3
4
5


@mcp.tool()
def search_resume(query: str, limit: int = 10):
    """按技能/经历/职位关键词检索候选人，返回结构化结果"""
    hits = es.search(query, size=limit, filters=perm_filter())
    return [normalize(h) for h in hits]    # 结构化，不是 chunk

模式 B：聚合工具（RAG 做不到的）

1
2
3
4


@mcp.tool()
def skill_distribution(city: str):
    """统计某城市候选人技能分布（招聘分析场景）"""
    return es.aggregate(terms="skills", filter={"city": city})

RAG 拿不到"聚合结果"（chunk 检索只有文档）；MCP 工具可以返回任何计算产物。

模式 C：混合（RAG 兜底 + 工具优先）

四、什么时候用哪种

知识类型	方案
静态文档（手册、论文）	传统 RAG（索引成本低）
实时业务数据（简历、订单）	MCP 工具查询
结构化统计（聚合分析）	MCP 工具
混合知识库	混合（工具优先 + RAG 兜底）

判断标准：

五、最佳东方实践

六、避坑清单

七、MCP-RAG 的局限

总结

MCP 与 RAG 结合的核心认知：

RAG 的局限是"静态切片"，MCP 的答案是"动态查询"
查询即检索：知识变成工具，实时、结构化、带权限
工具优先 + RAG 兜底：精确查工具、模糊查向量
判断标准：数据会变/结构化/有权限 → 用工具；静态文档 → 用 RAG

2026 年知识型 Agent 的方向：不是"塞更多知识"，是"给模型更好的查询能力"。 MCP 把知识的边界从"上下文"扩展到了"整个系统"。

MCP 与 RAG 结合：Tool 即知识的边界#

一、RAG 的天花板#

二、MCP 给出的答案：查询即检索#

三、架构模式#

模式 A：查询工具（替代 RAG 检索）#

模式 B：聚合工具（RAG 做不到的）#

模式 C：混合（RAG 兜底 + 工具优先）#

四、什么时候用哪种#

五、最佳东方实践#

六、避坑清单#

七、MCP-RAG 的局限#

总结#

📚 相关阅读