AI 搜索(又称答案引擎, Answer Engine)指利用大语言模型(LLM)与实时网络检索结合,将多篇网页或知识库结果抽取、交叉核对并综合成带有清晰来源脚注的直接答案,而非只展示十条蓝色网页链接的检索产品形态。
从独立产品(Perplexity、You.com、秘塔搜索、夸克 AI)到传统引擎内嵌模块(Google AI Overviews、Bing Copilot),再到面向智能体的搜索 API(Tavily、Exa、Serper),AI 搜索已经成为信息获取与 Agent 联网的核心基础设施。
传统搜索引擎 vs. AI 搜索
| 对比维度 | 传统关键词搜索引擎 | AI 搜索(Answer Engine) |
|---|---|---|
| 交互与输出 | 关键词匹配,返回网页链接与短摘录 | 自然语言复杂提问,直接返回结构化综述 + 句内引文 |
| 多跳对比推理 | 用户自己逐一打开 5–10 个页面拼凑答案 | 自动拆解子查询并对比优劣、价格、时间线 |
| 延迟与单次成本 | 几十毫秒,广告模式边际成本极低 | 秒级(网络抓取 + 模型重排与生成),单次计算成本显著更高 |
| 核心风险 | SEO 垃圾站与低质点击诱饵 | 引文张冠李戴、模型总结幻觉、忽略时效更新 |
典型系统架构链路
用户复杂问题
└── 查询重写 / 拆分子问题(Query Decomposition)
└── 实时检索(搜索引擎索引 / 向量语义检索 / MCP 搜索工具)
└── 正文抓取 + 片段重排(Rerank)+ 去噪
└── [RAG](/wiki/rag) 带引用约束生成 → 流式返回带编号角标答案
针对需要数分钟深挖的**深度研究(Deep Research)**场景,系统会扩展为多轮循环 Agent:根据前几轮读到的线索动态修正下一轮搜索词、阅读 PDF/网页原文并撰写长篇带完整参考文献的研究报告。
核心工程挑战
- 引文忠实度(Citation Grounding):不仅要「附上看似相关的网页链接」,而且模型写下的每一个数字与结论都必须有对应脚注原文严格支撑,严防「编造 URL 或错位挂链接」;
- 信息新鲜度与反垃圾站:面对实时股价、刚更新的框架文档或突发性新闻,需要高速新鲜索引与站点权威度加权,防止 AI 生成的 SEO 内容农场反过来污染答案(形成二次幻觉循环);
- Agent 专用检索 API:传统搜索 API 返回适合人类浏览器展示的 HTML 片段,而面向智能体的接口(如 Tavily、Exa)直接提供清洗后的干净 Markdown 正文、结构化抽取与语义过滤,大幅减少噪声 token 消耗。
进一步阅读
- Tavily Search API 文档(面向 Agent / RAG 检索设计):https://docs.tavily.com
- Exa Search 文档(神经语义网页检索):https://docs.exa.ai