前幾天，納米開(kāi)了一場(chǎng)發(fā)布會(huì)，老周演示了「超級(jí)搜索智能體」

“ 2025 年新能源汽車補(bǔ)貼政策取消后，汽車行業(yè)格局預(yù)計(jì)會(huì)發(fā)生哪些變化？ ” 一段時(shí)間后，30頁(yè)報(bào)告完成：帶圖、注釋、引用

放在幾年前，這是：「未來(lái)已來(lái)」
放在現(xiàn)在，這是：「Agent 默認(rèn)感」

正是這種默認(rèn)感，讓我意識(shí)到
我們已經(jīng)很久，沒(méi)自己找過(guò)信息了

本文非教程，來(lái)聊:「搜索演化史」

目錄系統(tǒng)

在今天，查資料不過(guò)是「搜一下」
在過(guò)去，查資料確是難如登天

大英圖書(shū)館

想象一下，你回到上世紀(jì)初
如果找一份關(guān)于「辛亥革命」的材料
該怎么辦？

你可能會(huì)想：
走進(jìn)圖書(shū)館，跟管理員說(shuō)：「清末革命，講武昌起義那場(chǎng)」

想得美...找資料沒(méi)那么簡(jiǎn)單
檔案管理，資料浩如煙海，層層疊疊

正確的流程，是這樣：
一、先去查卡片柜：這里一整柜小卡片，記錄著書(shū)名、作者、主題、館藏位置
二、再去找索引：「清末」-「民國(guó)初年」-「辛亥革命」
三、記錄下編號(hào)和位置：2樓，3排，5號(hào)書(shū)架，6層，編號(hào) 114514
四、跑過(guò)去，看看在不在：如果被借走了，那就明兒再來(lái)

圖書(shū)館目錄卡系統(tǒng)，是那個(gè)時(shí)代的「搜索引擎」：結(jié)構(gòu)化、可查找，但完全依賴人工。

早年的目錄卡

這東西，所有卡片都是人來(lái)維護(hù)，可用性，取決于執(zhí)行者的專業(yè)性

圖書(shū)管理人員在工作

這種方法，雖然效率低，但卻是當(dāng)時(shí)唯一能讓知識(shí)「被找到」的方法

1918年，北大圖書(shū)館
有位圖書(shū)管理員，在整理各種刊物《申報(bào)》《京報(bào)》《大公報(bào)》，還有英文日文刊物...

他熟悉報(bào)刊種類，清楚時(shí)效來(lái)源，知道如何擺放檢索

他廣泛閱讀各種刊物，博聞強(qiáng)識(shí)，為廣大師生提供服務(wù)

這個(gè)人是毛主席

毛主席年輕時(shí)，在圖書(shū)館擔(dān)任管理員 文本檢索

時(shí)間到了二戰(zhàn)后
東西角力，科技爆發(fā)
知識(shí)、論文、報(bào)告爆炸增長(zhǎng)
信息膨脹，人工整理跟不上了

還是查「辛亥革命」
不用翻抽屜了
而是通過(guò)計(jì)算機(jī)，輸入類似：

"辛亥革命" AND "武昌起義" NOT "北洋軍閥"

（當(dāng)然，這并不是 SQL）

(截圖自哥大官網(wǎng))，這種布爾檢索法至今仍在使用

這是早期的「機(jī)器搜索」 用邏輯表達(dá)式、布爾運(yùn)算、關(guān)鍵詞精確匹配來(lái)匹配信息，讓機(jī)器成為信息的入口

進(jìn)一步的突破，來(lái)自 Gerard Salton，現(xiàn)代搜索技術(shù)之父

Gerard Salton, 1927 - 1995

他在 60 年代開(kāi)發(fā)出了 SMART，真正的文本檢索系統(tǒng)：

• ? 把每篇文檔看成一串詞語(yǔ)的集合

• ? 計(jì)算關(guān)鍵詞的出現(xiàn)頻率（TF）和稀有程度（IDF）

• ? 用數(shù)學(xué)方法把文本轉(zhuǎn)成"向量"，算出文檔和查詢的"距離"

換句話說(shuō) SMART 不是篩選匹配，而是尋找「哪篇最相近」

比如你搜「辛亥革命」，返回可能包括：清末史教科書(shū)、清政府財(cái)政困境論文、張之洞思想訪談

標(biāo)題看上去可能沒(méi)啥關(guān)系，但內(nèi)容上相似度極高

現(xiàn)代的各類搜索引擎，其底層原理都可以追溯到 SMART
自此，信息不再是被存起來(lái)的檔案，而是可以被算出來(lái)的資源

SMART: System for the Mechanical Analysis and Retrieval of Text

信息檢索，也從人工經(jīng)驗(yàn)變成了數(shù)學(xué)計(jì)算

網(wǎng)絡(luò)搜索

最早的網(wǎng)上沖浪，沒(méi)有搜索，純靠翻閱。

門(mén)戶網(wǎng)站是當(dāng)時(shí)的主流，Yahoo 是當(dāng)時(shí)的王者。國(guó)內(nèi)也有所謂「三大門(mén)戶」：網(wǎng)易、新浪、搜狐。

(網(wǎng)圖)當(dāng)年的網(wǎng)易

用戶翻欄目、點(diǎn)頻道，一層層進(jìn)去

最開(kāi)始還能維護(hù)，但內(nèi)容一多就難辦了：
更新不及時(shí)、分類不統(tǒng)一、死鏈泛濫

搜索引擎因此而生，最知名的便是谷歌：
你說(shuō)關(guān)鍵詞，獲得相關(guān)的網(wǎng)頁(yè)

搜索方法也很暴力：
關(guān)鍵詞匹配，后面還加了 PageRank 等方法，讓排序更加準(zhǔn)確

PageRank

真正的變化發(fā)生在 2010 年前后：搜索開(kāi)始理解人話了

Google 上線了 Knowledge Graph，可以直接顯示答案

Google 的知識(shí)卡片

你搜“喬布斯 妻子”，它不光返回網(wǎng)頁(yè)，還在頂部給出了"摘要"

微軟的 Bing 也做了類似嘗試，百度那時(shí)候也開(kāi)始引入問(wèn)答卡片
都在嘗試告訴"你想知道的答案"

Bing 的知識(shí)卡片

這一階段也出現(xiàn)了不走尋常路的產(chǎn)品

比如 Wolfram Alpha，它不是去找網(wǎng)頁(yè)，而是從知識(shí)庫(kù)里直接算。你問(wèn)它"光速是多少"，它不會(huì)推薦百科，而是返回一個(gè)公式計(jì)算出來(lái)的結(jié)果
不是搜索，是推導(dǎo)

Wolfram Alpha

Manus 的聯(lián)合創(chuàng)始人季逸超（Peak），之前做了個(gè)項(xiàng)目叫 Magi 并成功被收購(gòu)，方法也是從網(wǎng)頁(yè)中抽取結(jié)構(gòu)化知識(shí)，并進(jìn)行結(jié)構(gòu)化展示

Magi 搜索

須知：每一代技術(shù)都有它的局限

門(mén)戶能讓你看到內(nèi)容，搜索能讓你找到內(nèi)容，語(yǔ)義理解能提煉內(nèi)容。

它們都還只是"告訴你"，還沒(méi)有"替你去做"

AI 時(shí)代

2022年11月30日，ChatGPT上線。

幾天后，朋友圈、知乎、即刻開(kāi)始試著「讓它寫(xiě)點(diǎn)什么」
寫(xiě)年終總結(jié)、寫(xiě)郵件模板、寫(xiě)開(kāi)場(chǎng)白、寫(xiě)月報(bào)
語(yǔ)氣自然、段落清楚，確實(shí)不錯(cuò)

yusen：太震撼了

人們開(kāi)始問(wèn)它各種問(wèn)題
“光速是多少？”
“哥白尼是哪國(guó)人？”...
都答得上來(lái)，邏輯清晰，用詞貼切

問(wèn)題很快浮現(xiàn)：胡言亂語(yǔ)
“這些數(shù)據(jù)有出處嗎？”
GPT 會(huì)開(kāi)始自信地胡編亂造：打不開(kāi)的網(wǎng)頁(yè)，不存在的文獻(xiàn)...

胡言亂語(yǔ)的GPT，甚至烏龍了官司

AI并不是查到了信息，而是基于訓(xùn)練數(shù)據(jù)生成了看似合理的答案。

為解決這個(gè)問(wèn)題，AI被接入了搜索功能

方法相當(dāng)粗暴：提取關(guān)鍵詞、調(diào)用搜索API、獲取網(wǎng)頁(yè)片段、摻入對(duì)話正式生成

本質(zhì)是在大模型的生成能力上，疊加了傳統(tǒng)搜索的信息獲取

雖然粗暴，這種疊加的效果確實(shí)不錯(cuò)

從檢索到理解

真正的變化始于2023年中，AI搜索開(kāi)始向智能體（Agent）方向演進(jìn)：嘗試進(jìn)行任務(wù)規(guī)劃。這里順道說(shuō)一下，任務(wù)規(guī)劃這東西，有兩種實(shí)現(xiàn)方式：直接做到模型中（比如 OpenAI 的 o1/o3...），或者通過(guò)外部工程化的方式，坐在產(chǎn)品里（比如 Manus)

如果說(shuō)傳統(tǒng)搜索是單次查詢，智能體則會(huì)將復(fù)雜需求拆解成任務(wù)樹(shù)，再加上點(diǎn) React，最知名的當(dāng)屬「OpenAI DeepResearch」

OpenAI 的 DeepResearch 應(yīng)該是最深入人心的“智能體搜索”

比如「分析新能源車市場(chǎng)」，會(huì)被拆解為：市場(chǎng)規(guī)模數(shù)據(jù)、主要廠商份額、技術(shù)路線對(duì)比、政策影響分析等多個(gè)子任務(wù)。

至于其它示例，以「納米 AI 超級(jí)搜索智能體」為例

舉例：「 納米AI超級(jí)搜索智能體」對(duì)于「汽車行業(yè)格局變化分析」 的任務(wù)拆解示意

每個(gè)子任務(wù)不是孤立的，而是相互關(guān)聯(lián)，甚至是能回退&重新規(guī)劃的

當(dāng)發(fā)現(xiàn)「2024年銷量數(shù)據(jù)」存在多個(gè)版本時(shí)，系統(tǒng)會(huì)啟動(dòng)新的驗(yàn)證任務(wù)：
查找官方統(tǒng)計(jì)口徑、對(duì)比不同數(shù)據(jù)源、分析差異原因

循環(huán)推理機(jī)制，讓搜索有了初步的思考能力
它不再是機(jī)械地返回結(jié)果，而是會(huì)判斷信息的完整性、可信度，以及是否需要進(jìn)一步挖掘。

跨越信息孤島

網(wǎng)絡(luò)上的信息，是一個(gè)個(gè)孤島

學(xué)術(shù)論文在專業(yè)數(shù)據(jù)庫(kù)，用戶評(píng)價(jià)在電商平臺(tái)，真實(shí)反饋在社交媒體，專業(yè)討論在垂直論壇

在層層拆解復(fù)雜任務(wù)的同時(shí)， 「納米AI超級(jí)搜索智能體」 通過(guò)深度搜索能力，打破平臺(tái)間的“信息圍墻”，實(shí)現(xiàn)跨平臺(tái)搜索，方便用戶決策

新一代搜索通過(guò)兩種方式打破圍墻：

一方面是數(shù)據(jù)突破：通過(guò)瀏覽器自動(dòng)化、API集成、內(nèi)容解析等技術(shù)，實(shí)現(xiàn)對(duì)不同平臺(tái)的統(tǒng)一訪問(wèn)。系統(tǒng)能夠理解網(wǎng)頁(yè)結(jié)構(gòu)、提取關(guān)鍵信息、處理動(dòng)態(tài)內(nèi)容。

一方面是語(yǔ)義理解：不同平臺(tái)的信息表達(dá)方式差異很大——論文的嚴(yán)謹(jǐn)表述、社交媒體的口語(yǔ)化、電商評(píng)論的情緒化。AI需要理解這些差異，提取真正有價(jià)值的信息。

比如查詢一個(gè)醫(yī)療問(wèn)題，系統(tǒng)會(huì)綜合：專業(yè)論文的研究結(jié)論、醫(yī)生社區(qū)的臨床經(jīng)驗(yàn)、患者論壇的真實(shí)案例、藥監(jiān)部門(mén)的官方信息。不同來(lái)源相互印證，形成更全面的認(rèn)知。

從信息到執(zhí)行

搜索的演進(jìn)不止于找到信息，更重要的是完成任務(wù)

「納米AI超級(jí)搜索智能體」能夠生成多種不同類型的內(nèi)容

這需要三個(gè)層次的能力：

理解層，準(zhǔn)確理解用戶意圖：「幫我做個(gè)PPT」背后，可能是要做項(xiàng)目匯報(bào)、產(chǎn)品介紹或者是數(shù)據(jù)分析。不同場(chǎng)景需要不同的處理邏輯。

規(guī)劃層，將意圖轉(zhuǎn)化為可執(zhí)行的步驟：制作PPT需要：確定框架、收集素材、整理數(shù)據(jù)、設(shè)計(jì)版式、生成內(nèi)容。每一步都可能需要不同的工具和數(shù)據(jù)源。

執(zhí)行層：調(diào)用具體工具完成任務(wù)：這包括文檔生成、數(shù)據(jù)可視化、圖像處理等。關(guān)鍵是這些工具的調(diào)用是自動(dòng)的、連貫的，用戶無(wú)需逐步操作。

圖片：納米AI工作流程可視化界面

你會(huì)發(fā)現(xiàn)，思考的整個(gè)過(guò)程是透明的：用戶能看到系統(tǒng)的推理過(guò)程、數(shù)據(jù)來(lái)源、執(zhí)行步驟。這種透明性既保證了可控性，也便于用戶理解和調(diào)整。

尾聲

回到開(kāi)頭那個(gè)「默認(rèn)感」

• ? 以前，我們默認(rèn)要自己找

• ? 現(xiàn)在，我們默認(rèn)有人幫我們做

從圖書(shū)館的卡片、到AI的理解

一百年來(lái)，我們都在回答一個(gè)問(wèn)題：
怎么能最少動(dòng)一下，就讓知識(shí)為我所用、為我所動(dòng)

這個(gè)門(mén)檻，每一代都會(huì)變得更低
現(xiàn)在的我們，不再說(shuō)“撥號(hào)上網(wǎng)”、不再說(shuō)“翻電話本”

或許未來(lái)的人們，也不會(huì)再說(shuō)“搜一下”
他們會(huì)說(shuō)什么？或許什么都不說(shuō)

最好的技術(shù)，是看不見(jiàn)的技術(shù)