夜雨聆风网上介绍检索优化的文章很多，分块策略、查询改写、RAG优化……我看不懂，毕竟不是这个专业的
但我确实每天都要大量的检索信息和数据，我绕不开，也就只能摸索了……
—— · ——
问题一：让AI查数据，但我不知道它查的数据准不准
场景：让ima.copilotI帮查"中国FD的患病率"。AI给了一个数字。你问"这个数据哪来的"——它说来源是某个网页。你敢直接用吗？大部分人不敢。
这是用AI做检索的第一个障碍：输出质量取决于数据源，但你控制不了源。
AI查数据有两种方式。大部分人默认在用第一种，但第二种更好。
打个比方：方式一像是让助理去图书馆翻书，找到相关内容抄给你。方式二像是直接去问图书馆的电脑系统，系统直接把书目卡片打印给你。没有API之前，我一直用方式一——结果每次拿到数据都得回去翻出处。用上API之后，返回的每一行数据都带着DOI，出处不用再查。
具体怎么实现？ 其实只是告诉AI几个网站和接口。比如：中文数据告诉AI去秘塔（metaso.cn）的API接口查——它是一个专门做中文学术搜索的工具（我看重他家有自己的数文献库和资料库，能找到原始资料。我一般避免使用那种仅靠抓取网页当证据的AI做检索，网页是真真假假啊）。英文文献告诉AI去PubMed的E-utilities接口查——这是美国国家医学图书馆的公开接口。不需要了解技术细节，就像我告诉ima.copilot"我想用API接入PubMed查文献，你试试能不能行？"——AI自己会跑通。
确实不止pubmed还有好些资料库都行
—— · ——
问题二：中英文数据要分开查，但AI老是混在一起
场景：做市场分析，既要查中国人群的流调数据，又要查英文文献的临床证据。让AI一次搜完，它给你回了一堆混杂结果分不清哪条靠谱。
原因不是AI笨——是中文数据和英文数据的结构完全不同。混在一个检索通道里搜，AI不知道应该优先用哪个标准。
解决方法：分开搜，再合并。
两套并行跑，各搜各的。结果合在一起去重。中文走秘塔API，一次请求返回的就是中文结构化的数据。英文走PubMed E-utilities接口，返回的是英文结构化的数据。不混在一起，AI就不需要在中英文之间来回切换策略。
—— · ——
问题三：搜完了，但我不知道这次搜得好不好
场景：AI给了你一批检索结果。看起来挺全。但该有的数据点是不是都有了？有没有漏了但很重要的？
这是检索里最隐蔽的问题——我没有标准来判断检索质量？我也没学过
后来看到有文献，就把文献丢给AI，他学习后整了个解决方法：每次检索后自动评分。 五维度评分——相关性、时效性、信源质量、覆盖度、冗余度。低于阈值自动触发修正。
举个具体例子。
假设你让AI查"益生菌治疗中国IBS患者的临床证据"。AI返回了8条结果。
对结果评分，看看结论：
综合低于阈值，触发AI进行修正：
1. 覆盖度修正：补搜中文"益生菌 肠易激综合征 中国 指南"——找到2024年中国专家共识，补上。
2. 时效性修正：缩小时间范围到2023-2026年，重新搜PubMed，找到2023年更新版Meta。
3. 冗余度修正：去重，保留数据更完整的那一篇。
修正前 vs 修正后：
修正前：综合4-6分（低于阈值）。修正后：综合8分+（通过），而且知道"覆盖度从4涨到8，是因为补了中文数据"。
—— · ——
问题四：规则全设好了，但别指望AI乖乖听话
场景：你定了检索流程（先查知识库、再联网、新资料入库），你也设了评分和修正。但有些会话里，你以为AI是按你要的流程做的，其实他没有。
这不是技术问题。是执行纪律的问题。发生的三种典型情况：
1. 技能会沉睡。 检索流程封装成技能，但AI在多数会话里根本没调用它。不是技能不好用——是AI不会自动把"市场分析"映射到"需要检索"。
2. 规则可以绕过。 搜索流程写在行为指南里——它是建议，不是门禁。AI可以不经过流程直接搜。
3. 发现问题只修了一部分。 22个技能长期没被调用，修了2个证明可行就停了——还有20个依然在睡。
核心设计：不是AI要记得做这些事，是文件存在那里，不做就无法推进。
—— · ——
有些事AI也做不到
局限
AI不能自动删文件（会发生新旧版本冲突，得用户手动清理）。
AI的模型天然设置是“偷懒”（这点没想到……把活儿干一半是他的本能，还不告诉你）
API不支持按时间排序，检测新文件用快照对比替代（非常弱智，非常困扰）。
他好像没有长期记忆，说话扭头就忘很正常（你以为对话的时候他什么都记得……）
虽然用API也可以下载文献，但实测速度很慢，还不如我手动下载，所以我一般都是要AI给我一份下载清单，有链接，有名称，有dio号码下载也足够了
本文涉及的技能和工具（自行开发设置）
• cross-domain-deep-retrieval（跨领域深度检索技能）—— 三层级联管道、秘塔API调用、PubMed E-utilities调用、KB搜索、PICO问题分解、文献导入流程
• keyword-evolution-engine（关键词演化引擎）—— 由检索技能自动触发，将新发现的关键词反馈到domain-keywords.md
• skill_sleep_audit.py（技能使用率审计脚本）—— 每次启动自动扫描所有技能，检测长期未调用的技能
• check_bounded_tasks.py（任务完整性检查脚本）—— 有数量边界的任务自动生成清单，全部完成才能结束
• search_strategy.py（搜索策略执行脚本）—— 实际执行三层管道的API调用和结果合并
本文引用的文献
• Yan S-Q, et al. Corrective Retrieval Augmented Generation. arXiv:2401.15884. — 五维检索评分的实现方法论来源
—— · ——
虽然调整过程琐碎，特别耗费时间精力
但跑顺后干活儿效率高
有种数字分身的感觉
而且随着时间和经验累积
有时候会想
明年的今天
他能成长成什么样子
5年，10年后呢……
