AI 地基上的搜索价值(1)

AI 地基上的搜索价值

摘要：建立在大型语言模型与检索增强架构之上的"AI 原生搜索"，正在把人类获取信息的方式从"链接索引"重构为"答案合成"与"行动代理"，这是一次范式代际更替，而非界面改良。

第一章   底层地基

1、从索引到合成

传统搜索引擎的第一性原理是"匹配"：爬虫抓取网页、倒排索引、对查询做关键词与链接权重排序，最终交付一个有序的链接列表，由用户自己点开、阅读、判断。这套体系运转了二十余年，其商业根基是"每一次点击都可能是一次广告曝光"——谷歌 2025 年第二季度搜索广告收入达到 542 亿美元，靠的就是把用户注意力拆成可拍卖的曝光位。

AI 原生搜索的第一性原理变成了"合成"：用户用自然语言提问，系统检索多源信息、由生成模型整合成一段带引用的直接答案，甚至替用户执行后续动作。一次查询的终点是"被解决的问题"，而不是"一堆待点击的链接"。这一转换看似只是回答形式的改变，实则动摇了广告库存的物理基础——当答案直接呈现在结果页，链接的点击需求被压缩。2025 年多项独立研究一致显示，不带点击的"零点击"搜索占比已升至 60% 至 70%，这并非边缘现象，而是结果页形态改变后的结构性后果；新闻类搜索中，零点击率一年内从 56% 跃升到 69%。用户不再需要"翻找"，平台也就不再能靠"翻找过程中的曝光"变现。

更深一层，范式更替的经济逻辑在于"查询意图的颗粒度"被重新定义。关键词时代，意图被切碎成"最佳意面食谱 纽约"这类碎片；自然语言时代，用户直接抛出"给我一家纽约现在开门、有 gluten-free 选项、环境安静适合约会的地方"。前者喂养了排名与广告拍卖，后者要求系统理解完整语境并直接交付一个具体推荐。当查询从"关键词碎片"变成"完整问题"，搜索的产出物就从"链接集合"变成"答案本身"，商业价值自然随之位移。

2、三个技术构件定义了"答案引擎"

理解商业价值，必须先理解支撑答案引擎的三块技术地基，它们决定了成本的来源与护城河的所在。

第一块是检索增强生成（RAG）。它把"检索"与"生成"拼接起来：先用向量数据库与关键词混合检索召回相关片段，再交给大模型生成答案并标注来源。RAG 的价值在于把模型的"幻觉"约束在可溯源的范围内，让答案具备可被核查的引用。这是企业级搜索落地的主干架构，也是"可信合成"的技术前提。值得强调的是，RAG 并非单点工具，而是一条流水线——数据连接器负责把分散在 125 个以上 SaaS 应用里的文档、数据库、工单统一接入，分块策略决定一段长文如何被切分进向量空间，混合检索在语义匹配之外保留关键词的精确性，重排序模型在召回之后再做一次相关性精排，最后才交给生成模型。每一个环节都有独立的优化空间与成本，这也是中游平台层竞争的焦点。

第二块是实时联网与多模态。ChatGPT 搜索基于 GPT-4o 微调的专用搜索模型，将用户请求拆成多个子查询，借助第三方搜索提供商与新闻、数据合作伙伴获取实时信息后统一合成；它与合作伙伴共享去关联的查询与基于 IP 的大致位置以返回本地化结果，但不共享用户身份。Perplexity 则把实时网页索引与大模型结合，主打带行内引用的答案。二者共同解决了早期聊天机器人"知识截止"的致命短板——一次查询可以触及此刻正在发生的事件。多模态则把可寻址市场从文字问答扩展到图像、视频与表格检索，RAG 系统中支持多模态的部署占比预计从 2025 年的 28.7% 升到 2026 年的 39.4%。

第三块是代理化（Agentic）。搜索不再止步于给出答案，而是替用户完成下一步：比价、下单、填表、预约。Perplexity 在 2025 年 7 月推出的 Comet 浏览器把搜索、任务自动化与浏览整合进同一入口，能够跨标签页理解上下文、自动起草邮件、比价购物；亚马逊的购物搜索直接把"高意图的商业查询"在站内闭环。代理化是搜索从"信息获取"跨向"任务执行"的关键一跃，也是商业价值想象空间最大的方向，因为它把"被解决的问题"进一步变成了"被完成的交易"。