AI 通常怎么错
当你问 AI 一个问题，如：「今年诺贝尔物理学奖获得者 其中年轻的那位的出生地的今日天气」
通常情况下，AI 会给出错误答案，比如下面这个
很显然：这个答案是错的。实际上，AI 只检索到了获奖者的出生地，而天气纯靠猜。
AI 为何会犯错
看过之前文章（看完这篇，你也能做 AI 搜索：论「结构化输出」）的朋友都知道，AI 搜索实际上包含以下的固定流程：
意图识别：将用户的提问，转化成一个搜索字段；
联网检索：通过必应等工具，找到这个字段的对应信息
整合回答：将找到的信息，连同用户的提问，一起返回给用户
而在上面的例子中，细细分析请求步骤，如下：
意图识别：识别意图为「2024年诺贝尔物理学奖获得者 年轻者 出生地 2024年10月10日 天气」
联网检索：搜索结果如下，发现关注点只在「诺贝尔物理学奖获奖者是谁」
整合回答：由于缺少对应的天气信息，答案只能靠猜
AI 如何纠错
但实际上，我们期待一种怎样的 AI 搜索呢？
联网搜索，并支持多步检索（比如智谱清言里的这个智能体）
https://chatglm.cn/main/gdetail/659e54b1b8006379b4b2abd6?lang=zh
这时候我们看到，搜索的路径变了，成了：
任务规划：将用户的提问，一个思考框架：如需解决某一问题，应步骤一、二、三、四...
任务执行：每一具体步骤，需分别获得哪些信息（将重复多次）：
意图识别：将步骤任务，转化成搜索任务
搜集信息：通过搜索引擎，尝试搜集相关信息
反思&调整后续：判定当前任务是否完成
如完成：继续后面步骤
如无法完成：换一种方式尝试完成
整合回答：将找到的信息，连同用户的提问，一起返回给用户
具象一点，在「今年诺贝尔物理学奖获得者 其中年轻的那位的出生地的今日天气」这个任务中，问题被拆解成了：
尝试搜集获奖者信息
搜索：年诺贝尔物搜索2024年诺贝尔物理学奖获得者的信息
尝试找到最年轻者的出生地
搜索：搜索John J. Hopfield和Geoffrey E. Hinton的出生地
查询出生地的当日天气
搜索：搜索芝加哥和伦敦的今日天气
总结上述信息
2024年诺贝尔物理学奖的两位获得者是约翰·J·霍普菲尔德（John J. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton）。其中，杰弗里·E·辛顿是较年轻的获奖者，他出生于1947年12月6日，出生地是英国伦敦：
天气状况：大部多云
最高气温：14°C风向
风速：东南偏南风，风速为15到30公里/小时
深度推理，是重要的
之前拆结果 o1：
150 行代码，复刻「草莓」，青春版支持联网
独家信息：关于 o1 的 20 个真相
o1 很强，但也有一些不够好的地方，比如：除了部分代码场景，并不实用
比如：不能联网，不能运行代码，等等。这些是问题，也是实打实的用户痛点。
智谱的这个更新，更类似「perplexity pro」，但更强大&实用。
0. 免费，不限量：这个很重要
1. 单次可以支持超过 100个 网页的并发搜索：针对用户的问题，可同时检索超过100个网页，并基于此生成答案
2. 多级推理的思维链：能够解决日常生活中绝大多数的困难问题。
3. All Tools：在联网搜索和多级推理的过程中，调用python等工具，多方位解决问题（非常重要）。在处理项目的过程中，同时完成图像生成、代码执行、数据分析等多种复杂任务，自动调用代码解释器进行复杂的数学计算或文件处理、生成图表和PPT等格式的文件。
比如，在下面的场景中，综合了联网、列表格和代码处理：
