技术前沿

大模型+搜索（下）：信息检索/搜索引擎的变革时代已经到来

2024 年 4 月 10 日

欢迎来到AI产品经理从0到1研习之旅。

让我们紧接前文，继续探讨大模型在搜索领域的应用情况。

—

传统搜索

在继续讨论大模型+搜索之前，我想有必要对传统搜索相关的概念和原理再稍作说明。毕竟大模型是加持、而非替代传统搜索。

爬虫（Crawler）

搜索引擎使用爬虫程序遍历互联网，访问网站并读取页面内容，类似于一个自动化的浏览器。例如，当爬虫访问一个新闻网站时，它会下载并存储文章的内容、图片、以及其他媒体信息。

索引（Indexing）

索引是搜索引擎对爬取的网页内容进行分类和存储的过程，以便快速检索。假设爬虫抓取了一个关于“全球变暖”的文章，搜索引擎会将文章中的关键信息（如标题、正文、关键词）提取出来并加入到索引数据库中。

当用户在搜索引擎中键入查询时，搜索引擎并不是直接在 Internet 上进行搜索，而是在搜索它们已经储存的网页索引。所以如果我们的网页没有在索引并收录，那么用户就不会发现它。简化的倒排索引表如下所示：

排名算法（Ranking Algorithm）

搜索引擎通过排名算法确定哪些网页最相关。例如，当用户查询“全球变暖影响”时，（谷歌）搜索引擎会评估索引中所有相关页面的质量和相关性，可能会根据PageRank算法（考虑网页链接的数量和质量）给予高权威网站更高的排名。

自然语言处理（NLP）

搜索引擎应用NLP技术以更深入地理解和处理用户查询和网页内容。

分词（Tokenization）：将查询“全球变暖的影响”拆分为单独的词汇：“全球”、“变暖”、“的”、“影响”。
词性标注：识别每个词汇的词性，如“全球”和“变暖”为名词，“影响”可以是名词或动词。
语义分析：理解查询的整体意义，识别“全球变暖”作为一个专有名词，而非单独的词汇。
实体识别（NER）：识别“全球变暖”为一个特定的环境问题实体。
依存关系解析：解析查询中词汇之间的依存关系，理解“影响”是查询的核心动作，与“全球变暖”有直接关联。
情感分析：在处理用户对于某些议题（如电影评价）的查询时，识别正面或负面的情感倾向。

搜索结果页（SERP）

根据排名算法，搜索引擎展示了一系列关于“全球变暖影响”的网页链接，可能还会包括特定的知识图谱、新闻摘要等，帮助用户快速获取信息。

个性化和上下文搜索

搜索引擎会考虑用户的地理位置、搜索历史等，提供个性化的搜索结果。比如，在查询“最近的气候变化新闻”时，来自不同地区的用户可能会看到他们地区内相关新闻的链接。

通过这些步骤和技术，传统搜索引擎能够高效、准确地帮助用户找到所需信息。这些概念和技术的深入理解对于开发和优化搜索引擎及相关产品具有重要意义。

更多相关内容，可参见此前的文章《第3章智能搜索技术》。

大模型+搜索会有何不同

传统搜索引擎是从已有的信息中获取答案，显示的是一系列的网页链接，用户需要打开每一个链接进行浏览，而LLM、AIGC与搜索结合，能够更准确了解用户意图，根据需求整合内容提供生成式的摘要、答案、建议，能够提供更高质量、更多样化的信息内容，更高效的信息收集方式：

—

微软：New Bing

随着大型语言模型（LLM）技术的快速发展和应用，我们见证了一系列创新的LLM集成搜索产品的出现，例如New Bing新必应（已更名为Copilot）就是一个典型例子。

从New Bing到Copilot

毕竟，作为OpenAI的重要股东、合作伙伴，微软早早地就在Bing搜索中上线了基于GPT模型的这个搜索+AI的产品。2023年2月初，微软推出了新版搜索引擎必应，其突出功能是其人工智能聊天机器人，该机器人由OpenAI的GPT-4提供动力（但做了一些调整和改进）。

在推出时，人工智能聊天机器人被称为Bing Chat。早期它还叫“新必应”时，我必须安装开发版的edge浏览器才能体验：

然而，在去年11月的微软Ignite活动中，微软决定重新命名其聊天机器人，并将其称为Copilot。

现在更强的copilot预览版（不只是搜索，而是一个智能助手）已经在windows操作系统的笔记本上可用了：

这是我在写这篇文章时，通过浏览器入口（https://copilot.microsoft.com/）让它做的自我介绍：

新必应可谓开创了搜索引擎产品从“传统检索模式”向“对话式搜索和生成模式”的转变。用户可以获得更体系化、更具逻辑性、更个性化的答案。

使用Copilot，对话体验增强了现有的 Bing 体验，为用户提供基于大语言模型技术的新型自然语言搜索界面。Copilot 用于形成答案的来源源自与主网络搜索结果页面相同的第三方搜索结果排名——由于聊天机器人连接到互联网，它可以为您提供最新信息，这是ChatGPT免费版本所没有的另一项功能。这些结果清楚地显示给用户，使他们有机会通过访问第三方网站进行更深入的研究。根据用户的查询或提示，模型还可以生成有助于激发用户创造力的输出。除了搜索本身，它和ChatGPT这样的聊天机器人也有不少相似之处（毕竟底层模型一样），输出可以作为诗歌、故事、代码、文章、歌曲或任何其他可以用自然语言或图像表达的内容的灵感，具体取决于用户请求的性质。

微软于2024年3月进行的最新升级意味着免费版本的Copilot运行在GPT-4 Turbo上（由GPT-4升级而来，可以认为是更先进的模型），这是OpenAI最先进的LLM。

所以，如果想要不开通ChatGPT Plus的同时又能体验到最新的GPT-4能力，这毫无疑问是非常棒的选择！

Bing 有时会在 Bing 主搜索结果页面的顶部显示 Copilot 生成的汇总结果以响应用户查询，从而使搜索体验更加轻松快捷。用户仍然可以在页面下部找到传统的搜索结果布局。

技术创新的背后：Prometheus

在2021年的时候，微软Search & AI团队就开始考虑搜索技术的未来，认为通过应用深度学习模型，可以使搜索变得更加现代化和直观，从而显著改善用户体验。随着微软与OpenAI的合作，在2022年夏天接触到了下一代GPT模型，这一模型的能力远超过了GPT-3.5，并且在合成、总结、对话和创造方面更为强大。

看到这个新模型，微软开始探索如何将GPT功能集成到Bing搜索产品中，这样就可以为任何查询提供更准确、完整的搜索结果，包括长、复杂、自然的查询。

新的GPT模型代表了大型语言模型（LLM）的突破，但与其他LLM一样，它是用截止给定时间点的数据进行训练的，因此微软认为通过将其与Bing后端的功能相结合，可以使用户体验更丰富、更相关、更准确。

为此，微软开发了一种其称之为Prometheus（普罗米修斯）的专有技术，这是同类人工智能模型中的第一个，它将新鲜全面的必应指数、排名和答案结果与OpenAI最先进的GPT模型的创造性推理能力相结合。Prometheus利用Bing和GPT的强大功能，通过名为Bing Orchestrator的组件迭代生成一组内部查询，旨在为给定对话上下文中的用户查询提供准确而丰富的答案。所有这些都在几毫秒内完成。我们将普罗米修斯生成的这个答案称为聊天答案。

选择相关的内部查询并利用各自的必应搜索结果是普罗米修斯的一个关键组成部分，因为它为模型提供了相关和新鲜的信息，使其能够回答最近的问题并减少不准确之处——这种方法被称为基础。换言之，模型对Bing提供的数据进行推理，因此它通过Bing Orchestrator以Bing数据为基础。下图展示了普罗米修斯的工作过程：

最后一步是普罗米修斯将天气、股票、体育、新闻等相关的必应搜索答案附加到聊天答案中，以提供更丰富、更吸引人的用户体验，从而进一步利用必应的力量。得益于必应的基础技术，普罗米修斯还能够将引文集成到聊天答案的句子中，以便用户可以轻松点击访问这些来源并验证信息。向这些来源发送流量对健康的网络生态系统很重要，也是微软Bing的首要目标之一。

虽然 Prometheus 是一项卓越的、开创性的基于人工智能的创新，但从用户体验的角度来看，彼时Search&AI团队仍然不清楚如何将其功能集成到 Bing 中。主要有两种观点：

团队中的一些人认为搜索是一种根深蒂固的习惯，需要保持用户体验像今天的网络搜索一样，只需在主用户体验上添加由普罗米修斯支持的聊天答案即可。就像任何其他答案一样，聊天答案将根据其与查询的相关性赢得一席之地。
Bing 的其他人认为，这是一个将搜索范式从经典网络和答案结果转变为新的交互式、基于聊天的搜索方式的机会。

提倡传统搜索的团队通常使用导航查询来捍卫自己的观点，而推动对话方法的团队将呈现类似研究的搜索会话，例如购物或旅行。下图可以表达两者之间的场景差异：

很明显，一些查询场景在传统或搜索模式下会表现更好，而另一些查询在对话或聊天模式下会表现更好。此外，根据查询，某些用户可能更喜欢其中一种。因此，理想的 Bing 搜索产品需要根据用户的意图和偏好在搜索和聊天模式之间平滑转换。

经过多次迭代，微软开发了一种新的用户体验，将搜索和聊天统一在一个界面中，用户可以通过单击页面中的用户体验元素，或者简单地滚动或滑动来轻松地来回切换上和下。

该产品或用户体验创新可以说与普罗米修斯技术一样重要，以确保人们能够以直观的方式充分发挥该产品的潜力。下面的视频展示了旅行搜索会话中从搜索到聊天以及从聊天到搜索的平稳过渡。

因此，新必应的用户将获得更完整、更符合上下文的答案。

—

百度搜索：AI Native重构

时隔约3个月（2023年5月7日），百度对标微软的New Bing，基于自家的“文心一言”，开始小范围公测生成式AI搜索产品“AI对话”（又名“搜索AI伙伴”）：

并开启了对百度搜索功能的“重构”。在 2023 百度世界大会上，百度搜索完成了进一步的升级。李彦宏现场宣布，升级后的百度搜索将拥有「极致满足」的生成能力——在搜索框里输入问题，搜索可以不再是给出链接，而是直接生成一个最好的答案。此外，百度搜索还将增加帮助用户更好表达的「多轮交互」能力，和更能满足用户内容需求的「推荐激发」功能。

百度搜索面临着多样化的问答场景，其答案获取方式同样多元，例如通过信息提取技术从百科或网页获取知识，构建知识图谱以提取答案；或是通过阅读理解直接从网页文本中抽取答案；还可以解析半结构化数据如表格，将信息转化为更加结构化的形式进行展示，这不仅限于文本内容，也涵盖视频内容的解析和提取。

在某些复杂的搜索场景中，如下图所示，传统的抽取式答案往往过于冗长，用户难以快速捕捉到核心信息。这就需要采用生成技术，对答案进行深入的压缩与总结，以便用户能迅速把握答案的关键点，提高信息获取效率。

此外，对于从单一文章中提取的答案可能不够全面，因此有必要从多个网页中整合答案，并明确标注答案来源，使用户能够清晰地识别信息的出处，如下图所示。

然而，直接利用大型语言模型进行问答仍面临几个挑战：

大模型难以覆盖所有领域的知识，对于某些较为冷门的信息可能存在误解或不了解的情况。
大模型中的知识更新滞后，对新兴知识的反应不够敏感。
大模型生成的答案难以验证，当前用户对于模型直接生成答案的可信度较低。

检索增强生成

针对这些挑战，百度设计了一种检索增强生成（RAG）方案，已在百度搜索中实施。该方案通过结合搜索引擎检索到的相关信息，有效缓解大模型可能出现的偏差，从而提高答案的准确性、及时性和可信度。整个流程分为以下几个步骤：

文档检索阶段：获取多样的参考来源；
答案抽取阶段：从文章中提取关键信息，减少生成模型的处理负担；
prompt组成阶段：根据检索到的信息构建问题回答，并在答案中明确标出信息来源；
答案生成阶段：将prompt输入到大模型中，生成最终的搜索结果。

如下图所示，右侧的答案综合了多篇文章的信息，并明确标注了参考来源，这正是我们希望提供给用户的答案类型。

检索生成大模型训练

针对问答/检索场景，其实百度还做了场景化的大模型精调。如下图所示，其中前两个阶段与目前流行的生成模型训练方法相似，而后两个阶段则针对检索增强生成问答场景进行了特别的优化和调整。

在第一阶段，即通用预训练阶段，利用广泛的网络文本资料及特定领域的内容，如书籍、表格和对话等，来构建一个具有通用知识基础的预训练模型。

进入第二阶段，对模型进行指令微调，提供一系列基本的指令样本，以增强模型对指令的理解和响应能力。

第三阶段是标注业务指令微调，通过引入针对搜索问答场景中的复杂问题组织和处理的具体指令，进一步优化模型以适应这一特定应用场景。

最后的第四阶段，则是基于用户互动反馈进行的细致微调。在这个阶段，百度团队通过分析用户的行为反馈来调整模型，同时采用强化学习等先进方法，不断提升答案生成的准确性和相关性。

通过这四个阶段的逐步深入，其目标是构建一个不仅理解广泛通用知识，而且能够精准响应搜索问答需求的高效能大模型。

思维链（CoT）技术

面对搜索业务场景中复杂的指令挑战，百度还探索了如何让生成模型准确理解和执行这些要求。直接向模型输入大量复杂指令样本的方法，并不总是能达到最优的学习效果，有时候反而会影响模型的泛化能力，降低其性能。因此，其引入了思维链（Chain of Thought，CoT）的概念，并提出了一种基于指令拆解的学习方法来处理检索生成场景下的复杂指令。这种方法将复杂的指令分解为几个简单步骤来逐步处理：

第一步：从搜索结果中筛选出能够回答问题的内容；

第二步：依据筛选的内容，组织并生成答案；

第三步：将答案编号，并明确标出各自的参考来源。

通过将一个复杂指令分解为多个易于理解的小步骤，我们使模型专注于首先学习和掌握这些简化的指令。这种方法不仅减少了对大量复杂指令样本的依赖，而且有助于提升模型在处理实际复杂场景时的效果和准确性。

我有印象曾看到过官方分享的对应prompt设计，但是现在没能找到

不过可以结合Bing的情况推断，也许是这样设计的（欢迎大佬们在评论区指正）：

用户的原始查询请求是：<user query>
基于提供的搜索结果和相应链接：1. 搜索结果a，链接：url12. 搜索结果b，链接：url23. 搜索结果c，链接：url3...n. 搜索结果n，链接：urln
请完成以下任务：首先，根据这些搜索结果，生成一个连贯的文本，详细介绍[查询主题]。在文本中，针对每个关键点或信息，使用数字编号（如1、2、3等）来标注其对应的参考来源。其次，请在文本中适当位置引入参考来源编号，以指明信息的出处。例如，如果某一信息点主要基于搜索结果a和搜索结果c，相应地在该信息点后标注编号‘1’和‘3’。最后，文本结尾处，请提供一个参考来源列表，列出所有引用的参考来源主域名和编号，但不需要详细链接。确保参考来源列表的顺序与文中标注的编号相匹配。
生成文本的示例结构应如下：'百度文心一言的一个重要应用是百度AI搜索，这是一个全面开放的人工智能搜索引擎2。[接下来的文本]...如果你有任何其他问题，欢迎随时向我提问！了解详细信息：1.baidu.com; 2.zhuanlan.zhihu.com; 3.zhuanlan.zhihu.com。'
请注意，将参考来源的完整链接简化为主域名，并在文末提供详细的参考来源列表。"

当然，实际的prompt肯定要比这个复杂，因为除了文本搜索，如前文所述还有图片搜索、视频搜索等场景，肯定要结合不同的意图差异化设计。

不过有点奇怪的是，原来在百度搜索界面能看到的“AI对话”入口现在找不到了，具体出于何种考虑我还不得而知：

—

360AI搜索

360AI搜索，新一代智能答案引擎，值得信赖的智能搜索伙伴，为复杂搜索提供专业支持，解锁更相关、更全面的答案。AI对用户提问进行精准语义分析，并通过追问获取更多有价值信息，将问题拆分为多组关键词后再进行搜索引擎检索，深度阅读网页内容，最终呈现逻辑清晰、准确无误的答案。

360AI搜索是3月份正式上线的，当时我并没有第一时间去体验，只是从网友们的使用评价来看，似乎都还觉得不错：

产品形态

通过so.360.com就可以体验到。不过为了更全面地感受，在写这篇文章时，我还是下载了360AI浏览器，然后让它介绍自己：

除了有上面提到的微软Bing和百度搜索类似的总结生成文本+链接出处之外，还是有点新东西的：

例如对答案进行改写：

自动生成脑图：

相关内容和参考链接的更详细的罗列：

周鸿祎提到，搜索依旧是用户的刚性需求，但是目前的搜索有几个问题：

第一，搜索关键词需要很准确，如果关键词不准确，出来的结果会非常不同。

第二，搜索结果需要一个个点击，在无数个链接里找到需要的结果。

第三，需要用户自己对搜索结果归纳总结。

“大模型最先颠覆的应该是搜索，因为搜索从上世纪90年代Google问世到现在没有任何变化，一样的配方，一样的味道，一样的搜索框。而60%的用户在搜索时其实是在找“答案。”周鸿祎说：“有了AI加持，搜索就可以变成一个个人智能助理。”

工作原理

360AI搜索的工作原理大致可理解为：

当用户在360AI搜索中输入问题时，会触发一系列复杂的处理流程来生成答案。首先，360大模型会对问题进行分析，如果发现问题存在歧义或缺少关键信息，它会主动向用户请求澄清或补充缺失的信息。

大模型将复杂的搜索问题分解为多个覆盖不同方向的关键词。这些关键词将通过360搜索在数百万个网页中进行检索，并根据用户的问题进行重新匹配排序。

接下来，360AI搜索会从与用户问题匹配的几十个网页中提取内容。

然后，根据用户的问题，生成逻辑清晰、有理有据、准确无误的答案。在用户提问后，AI将进行语义分析并追问以补充更多信息。同时，AI会将问题拆分为多组关键词进行搜索引擎检索，深度阅读海量网页内容，生成答案。

不过……我发现一个问题，如果我想直接获得特定的官网链接，用360AI搜索反而不符合我的预期了。。。

你看上面2张图，我愣是没找到……于是又只能这样了：

巧了不是！在前面所分享的微软团队关于传统搜索VS对话搜索场景的内部“2个流派”的不同意见中，也就是本来就是意图非常明确（我知道我想要什么），反而是传统搜索会更直接、有效：

就这个场景而言，还是微软干得漂亮：

顺带手又试了下智谱的AI搜索，还行：

还有百度的，链接对了，回答得有点问题：

回归360AI搜索本身，根据周鸿祎的自述，其实360AI搜索的背后用到了不同的5个小模型进行合作分工，包括搜索、翻译、阅读理解、脑图生成等（嘿嘿，这不又像是多Agents协作的思路了嘛），每个小模型都只是百亿级别参数的，在成本、速度上都比较“感人”，远远好于千亿级别的大模型。用场景来驱动设计、推动垂直大模型的应用。

—

新的杀手：perplexity

Perplexity自称为“世界上首个对话式搜索引擎”，核心使命是挑战谷歌在搜索引擎领域的主导地位。Perplexity于2022年8月成立，获OpenAI、Meta内部AI负责人等注资，并未研发自己的大语言模型，而是选择GPT等大语言模型的接口做一些微调，旨在用AI技术打造一个没有广告的“谷歌搜索”。

Perplexity 就像一个非常聪明的朋友，可以快速地为你从互联网上查找和总结信息。当你问它一个问题时，Perplexity 不会像常规搜索引擎那样给你一个链接列表来进行排序，而是使用先进的人工智能来准确理解你所问的内容。

然后，它会搜索大量网页和文章，以提取最相关的信息。但这是真正酷的部分 - Perplexity 将所有信息整合到一个用简单语言编写的清晰、简洁的答案中，就好像它正在与您进行对话一样。

假设您问“瑜伽对健康有什么好处？” Perplexity 将扫描权威的健康和健身网站、医学期刊、瑜伽博客等，并将关键事实编译成有用的概述，并引用其使用的来源。答案旨在全面且易于理解。

“Perplexity 的信念是，搜索信息应该是一种简单、高效的体验，不受广告驱动模式的影响。”

不过这并不是第一次有新的搜索引擎试图使用类似的策略来取代谷歌。Neeva 是一款于 2019 年推出的无广告引擎，推出后不久月活跃用户数就增长到 50 万，但由于难以获取用户而最终于 2022 年关闭。

Perplexity还有这样的特点：

生成的每一句话都附有引用链接，在保证可靠性的同时便于用户溯源或深入研究。

这本质上是在“标识可靠性”，用户可以自行溯源、判断。

除了回答问题外，Perplexity还允许用户提出后续问题、搜索视频、甚至生成图像等等，便于使用。
自定义您的 AI 配置文件以调整语言、输出格式和语气。

学生可以用它来帮助家庭作业和研究项目。专业人士可以随时了解行业趋势、发现新想法并创建内容。它还可以帮助其他人了解新主题、了解时事并获得日常问题的答案。它是一个强大的资源，提供跨领域的准确和最新信息。

—

最后

当然，还有很多其他的AI大模型+搜索产品/工具已经面世，例如：

昆仑万维推出的天工AI搜索↓

智谱清言的AI搜索（原高级联网）↓

谷歌的搜索生成体验（Search Generative Experience，SGE）↓

大家可以根据自己的兴趣自行研究，鄙人精力有限就不一一展开了。

类似Perplexity 这样的搜索工具代表了我们与信息交互方式的范式转变。它使用户能够轻松找到答案，探索新的可能性，并增强他们对周围世界的理解。通过拥抱人工智能驱动的创新并优先考虑用户体验，它们有望改变搜索格局并开创知识发现的新时代。

不过，尽管前景光明，但目前大模型+搜索无疑是一个充满潜力和挑战的领域。我们可以看到大模型与搜索结合的尝试虽然迈出了第一步，但离真正引发用户和市场广泛认知还有较大差距：

当前大模型+搜索的尝试缺乏从0到1的产品形态突破，这限制了其在用户心中的影响力和吸引力。未来的发展需要更多的创新思维，不仅仅是在现有产品上的增强，而是创造出全新的用户体验和交互模式。
大模型对搜索体验的提升在普通用户中的感知不明显，主要还是作为专业工具存在。要想在更广泛的用户群体中取得成功，就需要强化大模型在提高搜索准确性、响应速度和交互自然性方面的应用，让用户真正感受到搜索体验的质的飞跃。
大模型+搜索的商业化路径尚不明晰。未来的探索需要在如何更好地整合广告、个性化推荐等商业模式与大模型技术之间找到新的平衡点。

以上，就是关于大模型+搜索的应用研习分享。

本期到此结束。

再见

如果你觉得我的分享还不错或者对你有帮助，不妨来个一键N连：点赞+在看+分享+关注。

也欢迎你在留言区与我互动。

参考资料：

https://www.jiqizhixin.com/articles/2023-10-30-6
https://mp.weixin.qq.com/s/cTfkanfqJLqxKvbIIKL2xg
https://www.zdnet.com/article/what-is-copilot-formerly-bing-chat-heres-everything-you-need-to-know/
https://www.microsoft.com/en-us/bing?ep=0&form=MA13LV&es=31
https://support.microsoft.com/en-au/topic/how-bing-delivers-search-results-d18fc815-ac37-4723-bc67-9229ce3eb6a3
https://blogs.microsoft.com/blog/2023/02/07/reinventing-search-with-a-new-ai-powered-microsoft-bing-and-edge-your-copilot-for-the-web/
https://mp.weixin.qq.com/s/ZWKMT4z0lgQrOHtSBjJ5ZA
https://mp.weixin.qq.com/s/9gRQwWFn5Ly9QW6MySUGfQ
https://ahrefs.com/blog/zh/google-pagerank/
https://time.geekbang.org/column/article/222807
https://dmthought.com/search-engine-working-principle/
https://cloud.tencent.com/developer/article/2255169
https://zhuanlan.zhihu.com/p/608308322
https://blogs.bing.com/search-quality-insights/february-2023/Building-the-New-Bing
https://searchengineland.com/microsoft-bing-explains-how-bing-ai-chat-leverages-chatgpt-and-bing-search-with-prometheus-393437
https://jiandan.baidu.com/
https://mp.weixin.qq.com/s/rwCJ7HjTAiJA4iIoDw9Ztw
https://mp.weixin.qq.com/s/dwrwjuuJVl8J67KGF84zKw
https://browser.360.cn/ai/
https://ai.360.com/
https://mp.weixin.qq.com/s/rANopuBw38bATILDZhaKow
https://www.perplexity.ai/hub/faq/how-does-perplexity-work
https://blog.hubspot.com/ai/perplexity-the-ai-search-engine
https://www.quora.com/How-does-Perplexitys-search-tool-work
https://www.elegantthemes.com/blog/business/perplexity-ai
https://m.jiemian.com/article/10474939.html
https://blog.google/products/search/search-labs-ai-announcement-/

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

大模型+搜索（下）：信息检索/搜索引擎的变革时代已经到来

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单