Cursor弃用向量检索转向grep，Kapa发布企业知识检索基准测试

科技团队构建检索系统的方式正在快速演变。AI编程工具Cursor近期宣布放弃基于向量嵌入的代码搜索，转而完全依赖grep与索引搜索；其他团队也在用Jev等新型模型替换传统的重排序器。在AI Agent依赖的各类知识中，企业知识是至关重要的一类，涵盖文档、工单、聊天记录、内部Wiki和代码等来源。然而，由于缺乏在真实数据上衡量检索表现的手段，多数团队无法判断哪种检索方案在自己的数据上效果最佳。Kapa是一个企业知识索引平台，用户接入各类数据源后，平台将其整合为统一可搜索的知识库，任何Agent都可以查询它以获取所需上下文。检索是该平台的核心能力，团队会不断调整和迭代检索方案。为了评估自身系统，Kapa构建了Company Knowledge Bench基准测试：从真实生产数据中标注了1000个评估用例，专门衡量检索系统在杂乱真实企业数据上的表现。文章详细介绍了该基准的工作机制，对几种常见检索实现进行了评分，并公布了各方案在查询得分与单次查询耗时上的对比结果，为行业提供了少有的真实场景检索评测参考。

事件分析

这篇博文的核心看点在于检索技术路线的分化：Cursor弃用向量嵌入回归grep与传统索引，说明在代码这类结构化程度较高的语料上，精确匹配与词法检索依然具备竞争力；而企业知识这类嘈杂、非结构化数据则更依赖向量检索与重排序的组合。产业层面，真实生产环境的检索评测长期缺位，多数团队只能依赖公开学术基准，难以反映脏数据下的真实效果，Kapa开放千例生产标注用例的做法有望推动评测标准化。后续走向上，词法与语义混合检索、专用重排序模型、以及面向Agent场景的检索评测体系可能成为竞争焦点，检索基础设施作为Agent能力底座的地位将进一步凸显。

核心观点：向量嵌入并非银弹，检索评测正从学术基准转向真实脏数据，这将成为Agent基础设施竞争的新分水岭。