你是否知道，AI 从业者平均每天要花费数小时在信息检索上？
搜索的低效，正在成为 AI 创新的绊脚石。想象一下，如果你的 AI 实习生能像专家一样帮你调研并整理高质量的研究报告，并自主判断报告的质量，效率提升 10 倍不再是梦！今天，让我们一起揭秘 Jina AI DeepSearch，看看它如何打破搜索瓶颈，赋能 AI 报告生成！
注：本篇文章由 我基于JINA AI 肖博士 现场演讲的笔记+ 2句提示词生成，无任何其他工作流。
传统搜索：速度快，但深度不足
传统搜索依赖关键词匹配，虽然响应速度快（通常在 200 毫秒内[^1]），但结果往往缺乏深度，难以满足复杂的信息需求。正如 2024 年上半年火热的 RAG（Retrieval-Augmented Generation），虽然一时风光，但最终质量平庸，提升幅度有限. 这就像快餐，方便却缺乏营养。
DeepSearch：AI 时代的搜索范式，深度与洞察并存
DeepSearch 是一种全新的搜索范式，它通过深度推理，模拟人类专家进行研究分析。与传统搜索相比，DeepSearch 具有以下优势：
- 延迟满足，换取高质量报告：
不再追求毫秒级的响应速度，而是允许 AI Agent 花费数分钟进行深度分析，最终提供高质量的报告。这就像慢炖的汤，需要时间熬制，但味道更浓郁。 - 结构化输出，拿来即用：
用户无需自行总结和加工，即可获得拿来即用的结构化报告。 - 提升用户粘性：
高质量的搜索结果能够提升用户粘性，让用户愿意等待并持续使用产品。
简单来说，DeepSearch 就像雇佣了一位 AI 实习生，帮你调研并整理报告。虽然需要等待一段时间，但最终的成果却远超预期.
DeepSearch 的核心步骤
DeepSearch 的核心在于放权给 AI，让 AI Agent 自主进行搜索、阅读和推理，最终生成高质量的报告。DeepSearch 的关键步骤包括：计划、搜索、生成、评估和迭代。
以下表格总结了 DeepSearch 的关键步骤、技术细节以及评估指标：
Jina AI 如何放权给 AI？
Jina AI DeepSearch 的核心在于放权给 AI，让 AI Agent 自主进行搜索、阅读和推理，最终生成高质量的报告。具体来说，Jina AI 采用了以下策略：
- 迭代式搜索：
AI Agent 不断循环搜索、阅读和推理，直到找到最优答案。这个过程模仿了人类研究员的思维过程，不断深入挖掘信息。 - 子问题拆解：
将复杂问题拆解为多个子问题，逐个解决。例如，在进行市场调研时，可以将问题拆解为“目标用户是谁？”、“竞争对手有哪些？”、“市场规模有多大？”等子问题。 - Query 扩展：
对用户输入的 Query 进行扩展，挖掘用户潜在需求。例如，用户搜索“宝马 5 系二手价格”，DeepSearch 不仅会搜索二手价格，还会扩展到“宝马 5 系优缺点”、“同级别车型对比”等相关信息。这种 Query 扩展基于大模型对用户意图的深度理解，而不仅仅是关键词匹配。 - 长文本处理：
采用滑动窗口等技术，从长文档中提取关键信息。滑动窗口技术保证了信息的连贯性，避免了信息的割裂。 - URL排序：
对搜索结果中的 URL 进行排序，优先访问高质量的网页。Jina AI 通过综合考虑 URL 出现的频率、上次更新的时间、相关性等因素，实现 URL 的排序.
通过这些策略，Jina AI 赋予 AI Agent 更大的自主权，使其能够像人类专家一样进行研究分析，最终生成更优质的报告。
LLM 在 DeepSearch 中的角色
LLM 在 DeepSearch 的多个阶段都扮演着关键角色：
- Query 扩展
： LLM 用于理解用户意图，生成相关且多样的查询，从而扩大搜索范围。 - 答案评估
： LLM 用于判断生成的答案是否符合要求，例如，是否准确、完整、相关等。LLM 可以对答案进行分类、生成评估报告等。
案例：DeepSearch 在市场调研中的应用
假设你需要进行一份关于“AI 芯片市场”的调研报告。使用 DeepSearch，你可以：
输入关键词“AI 芯片市场调研”。 DeepSearch 会自动进行 Query 扩展，例如“AI 芯片市场规模”、“AI 芯片竞争格局”、“AI 芯片发展趋势”等。 DeepSearch 会从多个渠道（包括新闻、博客、研报等）抓取信息，并进行结构化整理。 最终，你将获得一份包含市场规模、竞争格局、技术趋势、投资机会等内容的详细报告。
相比传统搜索，DeepSearch 节省了大量的时间和精力，并提供了更深入的洞察。
竞品对比：Jina AI DeepSearch vs. 智谱 AI AutoGLM 沉思 vs. OpenAI Deep Research
目前，市面上也涌现出了一些类似的 AI Agent 产品，例如智谱 AI 的 AutoGLM 沉思和 OpenAI 的 Deep Research。它们都旨在通过 AI 自动化研究流程，提升信息获取效率。
- Jina AI DeepSearch：
Jina AI DeepSearch 强调灵活性和可定制性。例如，用户可以通过调整参数来控制搜索深度和广度，或者自定义 URL 排序规则，以满足特定的需求. - 智谱 AI AutoGLM 沉思：
AutoGLM 沉思是智谱 AI 推出的一款 AI Agent 产品，它集深度研究能力和操作能力于一体，能够一边进行复杂思考，一边执行操作。AutoGLM 沉思强调智能体的操作能力和灵活性，通过解耦任务规划与动作执行来提升智能体的操作能力和灵活性[^4]。 - OpenAI Deep Research：
OpenAI Deep Research 是一款基于 GPT-4 的 AI Agent，它能够进行多步骤自主研究、信息深度整合以及复杂任务的处理. Deep Research 强调多步骤推理和信息综合. OpenAI Deep Research 目前仅提供给 ChatGPT Pro 用户使用，价格较高[^5]。
局限性与挑战
Jina AI DeepSearch 虽然强大，但也存在一些局限性：
- 数据来源偏差：
DeepSearch 的结果依赖于搜索引擎和网页内容，可能存在数据来源的偏差。例如，如果搜索引擎对某些网站的排名有偏好，或者某些网站的内容质量不高，那么 DeepSearch 的结果也会受到影响。为了解决这个问题，Jina AI 在积极探索多源数据融合的方法，并开发偏差检测与纠正算法。另外如果在私有环境，JINA AI 的产品更可以基于企业内部高度精炼过的数据库，产生更有价值的报告。 - 计算资源需求：
DeepSearch 需要大量的计算资源，可能需要一定的硬件配置。例如，运行 DeepSearch 可能需要配备 GPU 的服务器，或者使用云服务，如 AWS 或 Azure. Jina AI 正在努力优化算法，降低计算资源需求.
未来方向
- 个性化
： 根据用户的兴趣和需求，提供个性化的搜索结果。例如，可以根据用户的历史搜索记录、浏览行为等信息，为用户推荐更相关的结果. - 多模态
： 支持多模态输入，例如，图像、音频、视频等。这将使 DeepSearch 能够处理更复杂的信息需求，例如，用户可以通过上传一张图片来搜索相关的产品或服务。然而，多模态输入也带来了数据融合和对齐的挑战. - 可解释性
： 提高DeepSearch 的可解释性，让用户更容易理解报告的生成过程。例如，可以向用户展示 DeepSearch 的推理过程，或者解释为什么某个结果被认为是相关的.
Jina AI DeepSearch 代表了 AI 时代搜索的新方向。它通过抛弃传统思维链，放权给 AI，用更简单的方法，实现了更深度的信息挖掘和更高质量的报告生成。虽然目前还处于发展初期，但 DeepSearch 的潜力已经显现。随着AI记忆力的迅速提升，及AI计算成本的下降，企业私有数据库的构建，我们有望看到AGI在咨询领域以超出我们预期的速度实现。
