AI搜索

5002 字约 17 分钟

domain/aiai/applications

2026-07-24

AI 搜索是将大语言模型与信息检索系统深度结合的新型搜索范式。它不再返回"十条蓝色链接"，而是直接生成带引用来源的结构化答案，将搜索从"找信息"升级为"获取知识"。核心驱动力是 RAG 架构 + 多源检索融合 + LLM 答案生成。

一句话解释

AI 搜索 = 语义理解用户意图 + 多源实时检索 + LLM 综合生成答案 + 逐句标注引用来源。

1. 核心结论

搜索范式的根本转变：从"关键词匹配返回链接列表"到"语义理解直接生成答案"，用户获取信息的效率有数量级提升
RAG 是 AI 搜索的技术基座：检索增强生成（RAG）让 LLM 能引用外部实时信息，解决知识截止和幻觉问题
引用标注是信任基石：不带来源的 AI 回答=不可验证的"黑箱"，逐句标注引用是 AI 搜索产品的最低门槛
多源融合决定答案质量：单一数据源难以覆盖全面信息，需要同时检索网页、学术论文、知识库、实时数据
垂直搜索是差异化突破口：通用搜索被巨头把持，垂直领域（代码、医疗、法律、学术）有巨大的差异化空间
Agent 化是必然方向：纯搜索→答案生成→多步推理+工具调用，AI 搜索最终会演化为能"替你做事"的 Agent

2. AI 搜索 vs 传统搜索

这是理解 AI 搜索价值的最佳切入点：

维度	传统搜索引擎	AI 搜索
匹配方式	关键词匹配（BM25）	语义理解（Embedding + LLM）
输出形式	蓝色链接列表	结构化答案 + 引用来源
交互模式	单次查询，反复点击链接	多轮对话，追问澄清
信息整合	用户自行阅读多篇网页综合	LLM 自动综合多个来源
复杂问题	需要拆成多个子查询手动执行	一次提问，自动分解并综合
可信验证	依赖用户判断来源权威性	标注引用来源，可点击验证
时效性	依赖索引更新周期	支持实时搜索，获取最新信息
个性化	基于历史点击的浅层个性化	基于对话上下文的深层理解

关键洞察：传统搜索解决的是"这些网页里可能有你要的答案"，AI 搜索解决的是"直接给你答案，并告诉你是从哪来的"。效率提升不在于搜索更快，而在于跳过了用户自行阅读、理解、综合的过程。

3. AI 搜索核心架构

典型 AI 搜索系统由以下五个核心步骤组成——以 Perplexity 为代表的答案引擎架构：

第一步：Query Rewriting（查询改写）

用户输入的 query 通常简短模糊，直接检索效果很差。查询改写是 AI 搜索的"第一公里"：

意图分类：判断用户是想查事实、听观点、要实时信息，还是做深度研究——不同意图触发不同的检索策略
查询扩展：将"量子计算进展"扩展为多个子查询："量子比特数量最新记录 2025""量子纠错突破""量子计算商业化公司"——多角度覆盖提升召回
去歧义化：利用对话上下文消解指代——"它有什么影响"→"GPT-5 发布对 AI 行业有什么影响"
语言统一：用户用中文提问，但英文资料质量更高时，自动生成英文检索查询

相关笔记：Query Rewrite查询改写 Multi-query Retrieval

第二步：Multi-source Retrieval（多源检索）

单一搜索引擎覆盖面有限。AI 搜索需要同时从多个来源召回信息：

通用网页搜索：调用 Bing/Google API 获取公开网页，覆盖新闻、百科、博客等
学术论文：Semantic Scholar / arXiv API，用于需要学术支持的问题
实时数据：财经数据、天气、股价等结构化实时 API
内部知识库：企业场景下检索公司文档、邮件、会议记录

检索手段上，通常使用 Hybrid Search——向量检索（语义匹配）+ 关键词检索（精确匹配），两者互补。相关笔记：向量与Embedding

第三步：Information Synthesis（信息综合）

多源召回后，信息杂乱重复，需要综合和排序：

去重合并：多个来源报道同一事件时，合并为一条综合信息，避免 LLM 重复引用
Rerank 精排：用 Cross-Encoder 模型对候选文档重新打分，将最相关的 top-N 送入 LLM。详见 Rerank重排序
可信度过滤：标记并降权低权威来源（个人博客、匿名论坛），优先引用权威来源（官方文档、学术论文、知名媒体）
时效性加权：越新的内容权重越高——对于实时性问题，24 小时前的信息可能已过时

第四步：Answer Generation（答案生成）

这是用户直接感知的步骤，核心挑战是平衡"信息完整"与"简洁可读"：

结构化输出：对于对比类问题生成表格，对于流程类问题生成步骤列表，对于概念类问题先给一句话结论再展开
分段生成 + 引用插入：每写完一个事实性陈述，立即标记 [1][2] 引用来源——不能等全文写完再补引用，那样容易张冠李戴
不确定性标注：当多个来源信息矛盾时，不强行选一个——而是呈现分歧："来源 A 声称 X，但来源 B 认为 Y，尚无定论"
流式输出：逐 token 输出让用户即时看到内容生成过程，降低等待焦虑，同时节省首字延迟

第五步：Citation Annotation（引用标注）

引用标注是 AI 搜索区别于 ChatGPT 类产品的核心差异：

逐句级引用：每句话如果有外部来源依据，必须标注——让用户能验证每一个声称
可点击跳转：引用编号应为可点击的链接，直接打开原始网页
来源摘要：除了链接，展示来源标题和简短摘要，帮助用户判断是否值得点击
多层引用策略：核心事实引用一手来源（官方文档、论文），背景信息可引用二手来源（维基百科、科普文章）

4. 主要产品分析

Perplexity

Perplexity 是 AI 搜索品类的定义者，核心策略是"答案式搜索 + 引用标注 + 追问推荐"：

产品哲学：不做另一个搜索引擎，而是做"知识的直接交付"——用户不需要离开 Perplexity 就能获得完整答案
核心功能：Pro Search（深度多步推理搜索）、Collections（知识库管理）、Spaces（协作空间）
商业模式：Freemium，免费版限制 Pro Search 次数，Pro 版 $20/月——验证了消费者愿意为"更好的搜索体验"付费
关键挑战：搜索引擎巨头（Google、Bing）免费提供类似功能后，Perplexity 的付费墙是否可持续

详见：Perplexity案例

Google AI Overview

Google 的防御性产品，在传统搜索结果顶部插入 AI 生成的答案摘要：

产品定位：不是取代搜索，而是增强搜索——答案在上，传统链接在下
核心优势：不需要教育用户，已有数十亿搜索用户基础，AI Overview 自动出现在相关搜索中
关键争议：AI Overview 曾因给出荒谬答案（"在披萨上加胶水"）引发广泛质疑，暴露了大规模部署 AI 搜索的幻觉风险
对生态的影响：AI Overview 摘要可能让用户不再点击下方链接，对依赖搜索流量的内容网站构成生存威胁

SearchGPT / ChatGPT with Search

OpenAI 将搜索能力集成进 ChatGPT：

产品形态：ChatGPT 对话界面 + 实时搜索按钮（手动触发或自动触发）
差异化：与 ChatGPT 已有生态深度整合——同一个界面可以搜索、写作、编程、分析，不需要切换工具
策略意图：将 ChatGPT 从"聊天工具"升级为"信息入口"，直接对标 Google——这是 OpenAI 从模型公司转向平台公司的关键一步

三款产品策略对比

维度	Perplexity	Google AI Overview	ChatGPT Search
定位	独立答案引擎	传统搜索的增强层	对话助手的搜索插件
优势	最佳答案质量与引用体验	十亿用户无缝接入	全场景整合（搜索+写作+编程）
劣势	获客成本高，用户习惯难改	幻觉风险影响品牌信任	搜索体验不如专业产品
商业模式	订阅制	广告 + 免费	订阅制
核心风险	巨头免费竞争	AI 答案错误损害公信力	搜索不是核心功能

5. 技术实现要点

Query 改写策略

子查询分解：将复杂问题拆解为 3-5 个独立可检索的子问题，每个子问题独立检索后再综合
假设答案法（HyDE）：先用 LLM 生成一个假设性答案，再用这个"假答案"的 embedding 去检索最相似的真实文档——在文档与 query 词汇不重叠时尤其有效
多语言桥接：用户用中文问 → 英文检索 → 中文回答，或反过来——确保不因语言限制漏掉高质量信息源

多源融合排序

两阶段排序：第一阶段用向量相似度（Bi-Encoder）快速召回 top-50，第二阶段用 Cross-Encoder 精排到 top-5~10
来源多样性保证：final top-K 中不能全来自同一个域名——通过 MMR（Maximal Marginal Relevance）算法平衡相关性和多样性
时效性衰减：引入时间衰减因子，越旧的内容分数越低——对于"最新"类查询，24 小时前的内容可直接过滤

引用可信度评估

来源权威性分级：.gov / .edu > 知名媒体 > 企业官网 > 个人博客 > 匿名论坛，作为检索排序和引用展示的参考
交叉验证：同一事实若被多个独立来源确认，提高置信度；若只有一个来源，降低置信度并明确标注
时效性标记：标注信息的时间——"2024 年 3 月的规定""2025 年 6 月的新闻"，让用户判断信息是否依然有效

流式输出与引用同步

引用的时序一致性：LLM 流式生成时，引用标记必须在对应内容生成时就插入，不能事后补——这要求生成系统内部维护"内容-来源"的映射
中途打断的处理：用户可能在答案生成过程中就看到了足够的信息并停止——此时已生成的部分引用也必须完整

Citation 标注机制

粒度选择：段落级引用 vs 句子级引用——句子级更精确但干扰阅读节奏，段落级更流畅但验证困难。Perplexity 选择了句子级
格式化展示：正文中用 [1][2][3] 上标标记，文末列出完整来源列表——标题 + URL + 简短摘要
引用数量控制：不是越多越好——一个事实引用 1-2 个最权威的来源即可，过度引用反而让用户困惑

6. 可信度建设

AI 搜索的可信度问题比传统搜索更严峻——传统搜索的用户自己判断来源可信度，AI 搜索的用户直接消费"被加工过的答案"，对错误的容忍度极低。

幻觉来源分析

检索失败：该找到的信息没找到，LLM 被迫"编造"答案——这是 AI 搜索幻觉的最常见来源
信息过时：检索到了但内容是旧的，LLM 当作最新信息使用
综合错误：LLM 在信息综合过程中张冠李戴，把来源 A 的事实归因到来源 B
推断越界：LLM 从检索到的信息做了"合理但未经验证"的推断，超出了原文支持范围

对应策略：

检索失败的兜底：明确告诉用户"未找到相关信息"，并展示检索过程，而不是强行生成答案
不确定性明确标注：对于猜测性的内容用"可能""据现有信息推测"等明确修饰
矛盾信息不掩盖：当来源信息矛盾时，呈现分歧而非选一边站
允许用户查看原始检索结果：Transparency（透明度）是最好的信任建设

产品层面的可信度机制

展示 Work Process：不只给答案，还展示中间步骤——"正在搜索...""找到 8 个来源...""正在综合..."——让用户感知到答案不是凭空生成的
来源可点击验证：每一个引用标注都应该是可点击的超链接，用户能一键跳转验证——不能只是"看起来有引用"
低置信度预警：当所有来源权威性都低，或检索结果相关性不足时，主动告知用户"答案可能不准确"