AI 搜索

AI 搜索

AI 搜索把搜索结果从链接列表变成带引用的生成式答案：用户输入问题，系统检索多源资料，综合生成一段有依据的答案，并在每个关键论断后标注来源编号。Perplexity 是这一形态的开创者，常被称为「答案引擎（answer engine）」；秘塔 AI 搜索、天工 AI 搜索等同属一类。技术底座是 RAG 的开放网页特化：检索源从私有知识库换成公开网页，答案的引用必须可追溯到具体 URL。

本页从产品经理视角拆解这一形态：先划清它与传统搜索、知识库问答的边界，再拆检索底座、引用机制与检索到生成的管线，接着看商业模式与落地挑战，最后落到选型与评测判断。

形态定位

AI 搜索的形态本质是把「谁来做综合」从用户转移到系统：传统搜索把原始链接交给用户，用户自己打开网页、对比、判断；AI 搜索替用户完成综合，再让用户做最后一步验证。这一转移同时改变了价值来源与责任归属——答案质量成为产品价值，幻觉与误导成为产品责任。

与传统搜索（Google/百度）的边界

输出形态改变的不是「查得快一点」，而是用户每次查询的任务结构。传统搜索用户带走的是一组候选，判断留在用户侧；AI 搜索用户带走的是一个结论，判断部分前移到系统、留一个「核对」动作给用户。谁承担综合，谁就承担综合错误的责任——这是形态差异的第一后果。

与知识库问答的边界

两者同属 RAG 产品，区别在知识域与来源对象：

知识库问答答错按错误流程办事、信错条款签合同，代价在「私有知识的正确性」；AI 搜索答错把用户导向一个错误事实，代价在「公开信息的可信度」。两者对引用可验证的依赖一致，但 AI 搜索的引用验证面向公开网页，用户自己点开就能核对，知识库问答的引用验证依赖产品把来源映射到文档段落。权限设计是知识库问答的专属复杂度，AI 搜索通常不涉及，见 知识库问答 的权限控制一节。

与通用对话助手的边界

AI 搜索是任务导向的查询工具，不是闲聊助手：用户带着明确的信息缺口来，期望一段带来源的答案，不需要寒暄与开放式创作。差异落在三点：

• 时效性：AI 搜索必须处理「最新」信息，答案要有时间概念；通用助手默认回答训练截止日前的知识，见 RAG 基础 的「模型记忆 vs 检索」。
• 引用义务：AI 搜索每个论断都要有来源，无来源即缺陷；通用助手的闲聊回答不需要引用。
• 查询前置：AI 搜索在回答前先做查询理解与多源检索，用户输入是「问题」不是「指令」；通用助手把输入直接当对话上下文。

检索底座：三档索引架构

AI 搜索的「知识新鲜度」由检索底座决定。按工程形态分三档：联网实时检索、索引快照、受限库内检索。产品取舍的核心是覆盖、时效、成本与可控四者的平衡。

联网实时检索

查询时实时获取最新信息，适合新闻、突发、时效敏感问题。工程上是搜索 API（或自建爬虫）+ 结果缓存：同一查询短期重复命中走缓存，大幅降本。产品取舍：

• 覆盖全网但结果不稳定：同一问题两次查询来源可能不同，答案一致性难保证。
• 抓取延迟进入回答链路：实时抓取比查索引慢，首 token 延迟预算要留足。
• 源站封锁是常态风险：高频抓取会被 UA 封禁或限流，需要合规的抓取频率与退避策略。

索引快照

自建或租用网页索引，查询时在快照内检索。工程上需要增量抓取、新鲜度监控与失效处理——与知识库问答的索引运营同构，只是对象换成网页，见 RAG 产品化实战 的索引运营一节。产品取舍：

• 时效折中：快照天级更新，突发新闻查不到，需要「先查快照，未命中再实时补抓」的兜底链路。
• 覆盖可控：索引质量（去重、去垃圾站、可信度标注）由自己维护，答案来源比全开放检索更稳。

受限库内检索

只从授权的垂直数据源（官方数据库、期刊、结构化数据）检索。覆盖窄但权威、可控，适合医疗、法律、金融等对来源有硬要求的垂直 AI 搜索。产品取舍：

• 来源可信度高，引用即权威背书，幻觉风险显著低于开放网页。
• 覆盖依赖上游数据授权，商务成本高、扩展慢；「库内没有」的拒答率会高，需要引导用户换问题。

引用与证据：AI 搜索的信任核心

引用机制是 AI 搜索区别于普通 RAG 对话的第一特征。普通 RAG 对话把引用当作加分项，AI 搜索把引用当作产品的定义：没有可验证来源的答案，对 AI 搜索等于没有答案。

引用编号机制

• 论断级引用：每个关键论断后标注编号 [1]、[2]，文末列出对应来源，用户点击直达原文。
• 来源列表信息完整：标题、发布方、发布日期、URL 四项齐全；只有 URL 的来源列表无法支撑信任判断。
• 引用来源必须在本次检索集内：生成时强制模型只引用真实进入上下文的来源编号，编造的 URL 是独立缺陷类。
• 悬停预览：鼠标悬停编号展示被引用的原文片段，降低「点开全文找依据」的验证成本——这是 AI 搜索引用体验的关键细节。

编号机制与 RAG 基础页的引用实现一致，技术细节见 RAG 基础 的引用一节。

来源溯源与可验证性

• 用户点开来源能自己核对原文，不依赖系统解释——这是 AI 搜索信任的根基。
• 来源可信度分级：官方 / 权威媒体 / 长尾站点权重不同，答案优先采用高可信来源，冲突时按权威级取舍（知识库问答的同类做法见 知识库问答 的「来源可信度分级」）。
• 时间戳是来源的一部分：同一信息不同时间版本不同，引用要带「信息截至何时」，让用户判断时效。

引用与普通 RAG 对话的差异

差异的后果：普通 RAG 对话的引用问题靠「块 → 源文档」映射就能解决；AI 搜索的引用问题多一层站点可信度与时效判断，且用户验证成本极低（点一下链接），引用错配会被立刻发现。

检索到生成的管线

一次 AI 搜索回答走五步：查询理解 → 多源检索 → 重排 → 综合生成 → 引用。每一步都有产品决策点，管线图是排查问题的地图。

1
2
3
4

用户问题 → 查询理解 → 多源检索 → 重排 → 综合生成 → 引用标注 → 答案
                │          │         │        │           │
            改写/拆解    网页/新闻   相关+时效  结构/矛盾    来源列表
            追问/路由    实时抓取    权威度     立场呈现     可点击核对

查询理解

用户的问题往往简短、含混、带口语，直接拿去检索经常搜不中。产品化的做法是检索前先处理查询：

• 改写与补全：展开缩写、纠错、补全意图，让检索词贴近真实信息缺口（技术取舍见 高级 RAG 的查询处理一节）。
• 复杂问题拆解：一个多跳问题拆成多个子查询分别检索再综合，比单次检索结果更稳。
• 追问 vs 直接搜：意图含糊时反问澄清还是直接给出「最可能答案 + 备选」，是产品决策——反问多一步交互，直接搜省时间但可能答偏。

多源检索

• 来源覆盖范围是产品定位：综合问答覆盖全网，垂直问答覆盖单一领域源（医学文献、法律条文、财报）。
• 多路召回是标配：网页 + 新闻 + 实时抓取分路召回再融合，避免单一路径的盲区。
• 实时抓取兜底新鲜度：索引快照未命中的时效敏感问题，走实时抓取补漏（见上文「三档索引架构」）。

重排

• 排序信号从「相关性」扩展为「相关性 + 时效 + 权威度」：AI 搜索的答案不是给最相关文档，而是给最可信且最新的依据。
• 来源去重：同一信息的多篇转载合并，避免答案被重复来源「投票」带偏。
• 权威度权重是产品决策：官方源优先，长尾源作为补充信息，权重失衡会导致答案偏向「有人这么写」但非主流的说法。

综合生成

• 答案结构由产品定义：要点列表、对比表格、步骤清单，按问题类型路由到不同模板。
• 来源矛盾的处理：不同来源说法冲突时，给出「主流说法 + 分歧点 + 各自来源」，不硬编一个「统一结论」。
• 输出长度控制：综合答案过长会稀释信息密度，按问题类型限长（定义类短答、对比类表格）。

引用

• 引用粒度：论断级引用优于段落级引用，用户能定位到「哪句话来自哪个来源」。
• 引用校验：生成后用程序校验答案里出现的编号都在本次检索来源集合内，越界编号视为引用错误。
• 来源展示：编号 + 文末完整来源列表 + 悬停预览，让验证成本降到最低（见上文「引用与证据」）。

商业模式

AI 搜索的商业模式在订阅、广告、内容分成三条路线上权衡，核心约束是单次搜索的高成本结构与来源生态的维护。

三条路线

订阅是主流起步路径：用户为「每次搜索省下的时间」付费，档位按用量与能力分层，企业档按席位 + 数据隐私承诺溢价。Perplexity 的免费层（每日限量 Pro 搜索）之上提供多档订阅与独立 API 计费，企业档主打数据不用于训练（以 Perplexity 官方帮助中心 为准，2026-08 引用）。

广告是规模化的必经之路：订阅撑不起免费用户的成本，广告把「查询场景」变成收入。风险是广告内容与引用结果混排，侵蚀「答案中立」的信任；产品要用明确区分（赞助标注、独立区块）守住引用可信度。

内容分成解决来源生态的可持续性：AI 搜索引用媒体内容却拿走流量，源站封锁与授权纠纷随之而来。Perplexity 出版商计划让引用内容的出版商在产生广告收入时获得分成，首批合作方包括 TIME、Fortune、Der Spiegel 等媒体（Perplexity 官方博客，2026-08 引用）。内容分成是「引用 + 广告」模式下的生态补丁，通用商业化框架见 商业化与增长。

成本结构

AI 搜索的单次成本高于传统搜索一个量级：

• 单次搜索成本 = 检索成本 + 重排成本 + LLM 推理成本，LLM 生成长答案是大头。
• 检索成本：实时抓取 / 搜索 API 按次计费；索引快照把成本前移到离线抓取，在线查询边际成本低。
• LLM 推理成本：答案越长越贵；综合生成 + 引用标注需要强模型，输入含多来源上下文，token 消耗大。
• 缓存是降本主杠杆：高频查询命中缓存可跳过检索与生成；免费层常见「每日限量 Pro 搜索」就是在限制不走缓存的深度查询。

成本测算与降本手段的通用方法见 LLM 成本测算。

免费层陷阱

• 每次查询都花钱：传统搜索免费层靠广告覆盖边际成本，AI 搜索免费层每 query 实打实烧推理钱，免费用户量越大亏损越大。
• 免费层限的是「深度查询」：限量 Pro 搜索、限答案长度、限并发，都是把「贵的那部分」留给付费层。
• 免费层是留存杠杆不是成本黑洞：免费体验要足以让用户感知「AI 搜索比传统搜索省时间」，才会转化为订阅；限得太多则免费用户无法建立付费动机。

落地挑战

幻觉与误导

AI 搜索的幻觉比普通 RAG 对话危害更直接：用户把答案当「搜索结果」采信，错了就按错的信息行动。

• 编造来源：模型引用不存在的 URL 或张冠李戴——引用校验（编号必须在检索集内）是第一道防线。
• 来源污染：低质站点、SEO 垃圾内容进入检索结果，答案「忠实」于一个错误来源——站点可信度分级与内容质量过滤是产品责任。
• 误导性内容：刻意传播的错误信息被检索召回，模型可能「忠实」地复述——需要内容安全与立场呈现的护栏，红线框架见 出海与合规。
• 拒答是护栏：多源冲突、权威来源缺失、信息无法验证时，明确拒答或呈现「证据不足」，比硬给答案安全。

时效性维护

• 信息会过期：价格、政策、职位、赛事结果，昨天的正确答案今天就是错的；答案要带「信息截至时间」。
• 索引新鲜度：快照索引天级更新，突发信息靠实时抓取兜底；「快照 → 实时 → 拒答」的兜底顺序决定时效表现。
• 失效处理：源站内容下架、链接失效后，缓存中的答案要继续展示还是降级，是产品决策——展示过期信息会误导，直接下架又损失信息价值。

源站封锁与 robots 合规

• robots.txt 合规：抓取必须遵守源站的 robots 协议，违规抓取既封 IP 又留法律风险；产品要维护「禁止抓取」名单与抓取频率控制。
• 内容墙与付费墙：部分源站只允许引用摘要、不允许抓取全文，产品的答案深度要随之调整。
• 授权与分成：长期依赖引用内容的商业模式，要把内容分成或授权协议纳入成本结构，而不是等源站发起封锁再补救（内容方视角见 出海与合规）。

搜索结果评估

AI 搜索的评估在 RAG 评测体系上增加引用正确率与时效准确率两个专属维度，方法论见 评估与评测。

评测集构建与 RAG 评测的完整方法见 RAG 基础 的评测集构建一节。

对 AI PM 的启示

自建 vs 套 API vs 聚合

做 AI 搜索（或给产品加 AI 搜索能力）有三条技术路径，选型取决于团队基因与壁垒诉求：

选型判断的三问：

1. 检索能力是不是壁垒：答案质量主要由检索决定，检索不是壁垒时套 API 最快，见 LLM API 与供应商。
2. 成本是否可持续：单次搜索成本随量线性涨，自建在规模起来后摊薄成本，套 API 的边际成本被上游定价锁定。
3. 数据与生态诉求：要做内容分成、要掌控来源生态，就要自建索引并运营来源关系；纯套 API 拿不到这部分控制权。

评测方法

• 引用正确率单独跑：把「答案对但引用错」与「答案错」分开统计，两类缺陷修复路径不同。
• 时效敏感问题专项：评测集里专门放价格、政策、赛事结果类问题，核对答案的信息日期。
• 对抗样本进评测集：多源冲突、低质来源、越界问题都要有样本，防止「答得好」建立在单一来源上。
• 线上信号 + 离线评测互为补充：用户点踩、来源被质疑、拒答反馈回流评测集，形成闭环（完整方法见 评估与评测）。

常见坑

来源说明

本文为原创整理，主要依据以下来源（截至 2026-08 均已核实可达，引用日期 2026-08）：

• Perplexity 官方博客：Introducing the Perplexity Publishers Program——出版商计划与内容分成机制
• Perplexity 官方帮助中心：订阅套餐对比——免费层、订阅档位与数据隐私
• Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks（arXiv 2005.11401）——RAG 范式原始论文，AI 搜索的技术底座
• dair-ai Prompt-Engineering-Guide：RAG 综述——负面拒答、鲁棒性评测维度
• Anthropic 官方工程博客：Building Effective Agents——「先找最简单的方案」的工程原则
• RAGAS 官方文档：Metrics——faithfulness、answer relevancy 等端到端指标
• 站内 RAG 基础、知识库问答、商业化与增长 与 评估与评测——RAG 技术与评估口径

发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用