下一代 AI 搜索：多智能体 + 系统2，解决 AI 搜索在复杂信息性能下降问题
AI 搜索：从搜索引擎到答案引擎① AI 搜索市场现状（可跳过）② 巨好用的 AI 工具推荐程序员的垂直搜索引擎 devv.ai ③ 多智能体 + 系统2，实现下一代 AI 搜索（模拟人类认知过程的 ai 搜索引擎）构建你自己的 AI 搜索引擎（Perplexity.ai 版本） 下一代 AI 搜索 设计思路构建你自己的 AI 搜索引擎（MindSearch 版本） ④ AI 医疗搜索 设计思路内科医生的局限医疗搜索设计思路，怎么保证可靠性？ 嘘，别人我不告诉 TA ！！！
本文金手指：
怎么落地一款媲美付费 AI 搜索的产品？医疗搜索、下一代 AI 搜索的创新思路？怎么用 AI 读论文，几个提示词就读完？怎么用大模型实现深度思考？让 AI 自己破解新知识！AI 搜索：从搜索引擎到答案引擎
在当今信息爆炸的时代，你是否曾感到迷茫，面对海量数据却难以找到准确答案？
想象一下，如果有这样一个工具，它能够洞悉你的每一个搜索需求，将复杂问题迎刃而解，那将是多么令人惊喜的一件事。
传统的搜索工具不能深刻理解用户的需求，但 AI 搜索却能。
它不仅降低了对用户搜索技巧的高要求，更是将那些繁琐的步骤——翻阅几十个网页、自行筛选有效信息、自行归纳总结的麻烦，统统交给了AI助手。
传统搜索通过关键词搜索，只有你很有经验的时候，你去搜索才能得到最相关的结果，这很反搜索，因为你是不了解一个东西，你才去搜索的。
所以，我们搜索习惯带问题的语义搜索（找找反应底层小人物生活不堪的电影影评？、SpaceX迄今为止重复发射次数最多的火箭是那个，发射了多少次数？），AI 搜索直接让你语义搜索，就能找到最相关的答案。
传统搜索引擎，只给你 — 信息罗列。
AI 搜索优势：
符合搜索习惯，带问题的语义搜索（高水平的调研，不需要搜索技巧、精通各种语言、筛选日期远近，解决传统搜索难以处理的模糊、复杂的问题）会把搜索的信息整理成，正面回应问题的准确答案（不用翻完所有相关链接，不用自己对比、总结归纳）会附上所参考的具体网页、文献，同时已思维导图展示（资料有来源，可信）会在答案后面，添加一组横向扩展、纵向深入的一组相关问题，方便追问和打开思路（启发思路很惊艳，好问题比答案值钱）目前没有广告，传统搜索引擎近乎走到了搜索的反面，打开某度搜索，前面都是广告…黄仁勋：我几乎每天都在用 Perplexity.ai （国外最火 AI 搜索）
Azeem Azhar：如果必须选择一个，我不会选 GPT、Claude、谷歌搜索，而是 Perplexity.ai。
① AI 搜索市场现状（可跳过）
微软：New Bing 的改造
技术引入：23年2月，微软将LLM技术应用于Bing和Edge搜索引擎，增强了复杂查询处理能力，提供了交互对话功能。多模态搜索：引入OpenAI的Dell-E模型，实现视觉搜索和相关问题解答。产品升级：Bing Chat更名为Microsoft Copilot，页面布局更新，增强了AI生成搜索结果和相关问题预测。技术结合：结合大型和小型语言模型，优化搜索结果生成，满足用户查询意图。谷歌：基于Gemini模型的AI搜索服务
AI Overview服务：今年5月推出，允许简化语言搜索和调整搜索结果概述。技术协同：Gemini模型与谷歌现有搜索系统结合，包括质量和排名系统，以及知识图谱。质量与安全：尽管有详细的质量控制措施，AI Overview仍面临准确性问题。OpenAI：SearchGPT搜索产品
产品演示：SearchGPT提供最新信息的快速回答和视觉答案功能。技术支持：由GPT-4系列模型支持，计划集成到ChatGPT中，独立于生成式AI训练。技术推测：可能采用检索增强生成方法，降低幻觉率，支持图片识别。Perplexity：生成式AI搜索引擎
产品定位：被称为“答案引擎”，所有答案都有来源支持。技术依赖：基于市面主流模型，Perplexity AI的思路是先产品后模型。工作原理：结合传统搜索和大语言模型，生成格式良好的答案并附上引用。浏览器插件：基于自研大模型技术
月之暗面：推出Kimi浏览器插件，具备点问笔和总结器功能，处理长文本数据。字节跳动：AI助手豆包提供浏览器插件，具备网页视频总结、写作和文本修改功能。其他插件：包括基于GPT、Claude等模型的“套壳”插件，提供搜索、写作、总结、翻译功能。Elmo插件：支持端侧模型，即使断网也能使用，具备多种文本处理功能。我们可以看到AI搜索市场正朝着更加智能化、个性化和多模态化的方向发展，同时各大公司也在不断探索和优化自己的技术和产品，以满足用户的需求并保持市场竞争力。
成本分析：
传统搜索，如谷歌搜索一次的成本是 0.2 美分（0.014人民币）。
AI 搜索，如果用闭源模型的 Token 计费就贵了，具体看 Token。
现在 AI 搜索都是用开源模型，或者自家练的大模型，主要是成本就是推理成本。
自己的大模型，4000亿参数（400B）是 盈亏持平的极限，越上，用户越多，越亏损最好控制在 1000亿（100B）以下，才能自己造血之前 Perplexity 也有用 GPT4，但发现只要一个用户每月提问超过 20 次，就亏本了，立马退回 3.5。
Perplexity并不提供直接的搜索能力，而是获取了谷歌搜索引擎检索的内容之后，再通过大模型将答案进行总结，最终整理成固定的格式呈现给用户，帮用户省去了逐页查看和总结的时间。
如果谷歌觉得，自己被白嫖了，而且还对自己主营业务造成很大损失，采取对 AI 搜索收费，那 AI 搜索的成本就会显著提升。
最后 AI 搜索没有哪家能做过谷歌，AI 搜索只适合有自己垂直内容的平台。
② 巨好用的 AI 工具推荐
秘塔 搜索：很牛逼的搜索神器
秘塔官网：https://metaso.cn/（免费使用）
我主要用于找论文，不像以前只能模糊搜索，然后一篇篇找是不是，免去 99.99% 无用功。
AI 搜索，我比较喜欢秘塔，因为其他 AI 搜索可能会给出错误的回答。
AI 搜索测评对比：秘塔 AI 搜索：颠覆搜索的常态体验，强大+惊艳秘塔效果好，除了使用 搜索引擎的 API，还花了巨资，对播客、文库建立了自己的索引库Kimi ：读论文神器
链接：https://kimi.moonshot.cn/
Kimi 的论文理解能力，我自己用感觉比 GPT4 强多了。
我将一些复杂的英文论文输入Kimi，它不仅能够理解论文的主旨，还能捕捉到所有细微的逻辑关系和专业术语。
长文档输入，可以直接扔一本书还能做到把里面所有的逻辑细节，都讲清楚每次回答后，都会推荐下一步的问题，很多问题开发我的思路，是我完全想不到的对各种提示词，遵守和回答的比 GPT4 好中文输出比 GPT4 强，如果是翻译，会符合中文习惯的意译我输入的提示词很复杂，GPT4理解好，但ta输出格式不咋地，Kimi指令遵循和上下文好的一匹但 Kimi 不适合写论文，比如给的参考文献，大部分都是胡编乱造的。
第一次胡编乱造，我更正后，ta突然从自己的训练数据中调出正确参考 — 我直接懵了，你训练数据有，为啥不给，还要自己造Kimi 最大优势就是读论文，好到居然能把所有的逻辑细节都说清楚。
为了能精读好论文，我写了一个配套的提示词，确保你能完全看懂每一篇论文：
让 Kimi 思考提示词：https://blog.csdn.net/qq_41739364/article/details/141409380希望深入全面的理解，同时花的时间最少，半小时就能读完并写完一篇论文，而不是要读一个礼拜。你用的提示词越多，你对这篇的论文理解程度就越深，比如使用：
让 Kimi 逐字中文意译让 Kimi 画出论文大纲让 Kimi 做解法的拆解让 Kimi 做全流程分析让 Kimi 寻找创新点让 Kimi 根据你的理解提问，给你提供最直接的反馈，你听不懂还可以要求举例子、类比对比、按流程拆解让 Kimi 推荐下一步问题（Kimi 会自动推荐）…Kimi 读论文的局限
学习到底在学什么？
模型类型：
关键字提取：凝练语言，三庭五眼，简单压缩，四字归纳
经验技巧型：深入思考，唇亡齿寒，痛苦后反思获得
方法流程型：套路提炼，分析方法，不断追问获得
学科原理型：科学验证，能量守恒，重要理论获得
哲学视角型：思维方式，演化思维，思考思路获得
像 经验技巧型 大模型学不到的，只能跟大佬学习、或者自己的问题+反思。
一键尽揽所有搜索结果：https://seekall.ai/zh/index.html
程序员的垂直搜索引擎 devv.ai
链接：https://devv.ai/zh（需梯子）
Dewey：AI 论文搜索神器
链接：https://x.com/itsandrewgao/status/1814105998128558216（需梯子）
该工具可以帮助科研人员回答以下问题：
? 谁也在做这个研究？
? 我的研究是否具有原创性？
? 有哪些类似的研究方法？
? 该领域还有哪些研究方向？
Dewey 的嵌入式搜索功能可以帮助科研人员快速找到更多相关的论文，从而提高科研效率。
③ 多智能体 + 系统2，实现下一代 AI 搜索（模拟人类认知过程的 ai 搜索引擎）
构建你自己的 AI 搜索引擎（Perplexity.ai 版本）
Perplexity.ai 实现思路：
Query意图理解：首先需要对用户的查询进行分析，这包括去除常见的停用词（的、和、是）、识别查询中的实体（如人名、地点等）、提取关键词以及进行文本归一化（统一小写、词干提取或词形还原，以及标准化日期、数字等），确保查询的准确性和一致性。
Query扩展：通过扩展原始查询，生成多个子查询（subquery），这样做可以增加搜索的覆盖面，提高检索结果的多样性和全面性。
并发检索：使用并发技术同时对多个子查询进行检索，可以提高检索效率，快速返回结果。
粗排与精排：在检索结果返回后，通常需要进行排序。粗排是初步筛选，快速剔除明显不相关的结果；精排则是更细致的排序，根据相关性、权威性等因素对结果进行排序。
文档追加与总结回答：将筛选后的网页文档追加到prompt中，利用大型语言模型进行阅读和理解，然后生成总结性的回答，并提供相应的链接。
代码：https://github.com/Yusuke710/nanoPerplexityAI/
一个开源的实现，模仿了perplexity.ai。
这个项目没有复杂的图形用户界面（GUI）或语言模型代理，仅仅是大约100行Python代码。
安装必要的库：pip install googlesearch-python requests beautifulsoup4 lxml openaiexport OPENAI_API_KEY=<Your OpenAI API KEY>python nanoPerplexityAI.py脚本会提示你输入问题，然后生成答案并保存在 <query>.md 文件中。
下一代 AI 搜索 设计思路
论文：https://arxiv.org/pdf/2407.20183（有开源代码）
MindSearch 解决在 AI 复杂搜索任务中，Perplexity.ai 性能下降问题。
综合性能超过 Perplexity.ai Pro 版本，以及带有搜索插件的 ChatGPT。
详细分析：下一代 AI 搜索引擎 MindSearch：多智能体 + 系统2，模拟人类认知过程的 AI 搜索引擎
综合来看，核心在于 计划 部分，模拟人类的计划过程，这种方式不仅可以用于搜索 Agent，还可以迁移到其他 Agent。
构建你自己的 AI 搜索引擎（MindSearch 版本）
代码：https://github.com/InternLM/MindSearch（上周开源）
步骤1：依赖安装pip install -r requirements.txt步骤2：设置MindSearch API设置FastAPI服务器。python -m mindsearch.app --lang en --model_format internlm_server--lang: 模型的语言，en代表英文，zh代表中文。--model_format: 模型的格式。步骤3：设置MindSearch前端提供以下前端界面：React安装Node.js和npm对于Ubuntusudo apt install nodejs npm对于Windows从Node.js — 下载 Node.js®下载安装依赖cd frontend/Reactnpm installnpm startGradiopython frontend/mindsearch_gradio.pyStreamlitstreamlit run frontend/mindsearch_streamlit.py本地调试python -m mindsearch.terminalAI 视频搜索 RAG：https://twitter.com/LangChainAI/status/1822431990039077308
④ AI 医疗搜索 设计思路
AI 搜索的神奇之处，更偏需求
Perplexity 很火，但 ta 用的只是 GPT 3.5，为了节省成本，如果是用 GPT4，只有一个用户每个月提问 20 次以上，ta 就会亏本。
技术上，并没有很大变革，甚至为成本智能程度还倒退了但把【搜索引擎】变成【答案引擎】（更傻瓜化），更接近需求，顾客就觉得比 GPT4 好用直接就能回答复杂问题，不需要用户想来想去（每个关键词都搜索），翻来翻去（每篇都读）然后他们还想到新的赚钱方法，把【相关问题】变成广告位。
因为我是医疗行业，我看到任何好东西，我都想迁移到医疗行业。
内科医生的局限
我一直以为，医生是越老越有经验，治疗效果越好。
结果据统计，内科医生年龄越大，他的病人的死亡率就越高，外科则相反。
知识要越新越好，技能要越熟练越好。
内科医生负责诊断和开药，他们给病人提供综合治理；外科医生负责手术和手术相关的护理事物。
年龄越大，对于探索新知的渴望和能力逐渐减弱，这种趋势在医学界尤为显著，因为医学是一个不断进步和发展的领域。
对内科来说，最新知识比传统经验更有用。
高精度医学大模型引入 AI 医疗搜索，不是这个医生在给你看病，而是医学界的「当前科学理解」在给你看病。
医疗搜索设计思路，怎么保证可靠性？
我们就可以改进 MindSearch，往 AI 医疗上迁移：
比如设置权重，越是权威的医学期刊，权重就越高因为网络上医疗健康的信息，绝大多数都不靠谱，患者的烦恼不是信息太少了，而是信息太多了，必须判断信息的可靠性。
学术论文是最过硬的参考文献，因为学术界说话非常负责任。
论文里就算是有争议的地方也会明白地讨论，让你知道这个问题目前还有争议 —— 而不会各说各话。
比如交叉验证，对最关键的信息，给至少俩个不同的来源，甚至从反面考虑，假设这个信息不对，我怎么推翻ta？AI 搜索适合做这个事情，因为 AI 以问题为核心，ta 在调研过程中的每一步都知道自己在做什么，出报告的时候也知道自己在说什么。
比如情境化，我们不能只调研到直接的答案，还要调研周边的情境。在AI医疗搜索中，情境化意味着除了寻找直接的治疗方案外，还需评估与该方案相关的多个维度，包括患者个体差异、疾病阶段、治疗的潜在风险与益处、成本效益分析、患者偏好、社会文化背景、医疗资源可用性、最新医学研究、统计数据、患者相似案例、以及政策和法规等，以确保治疗方案的全面性和适用性。
在AI医疗搜索领域，情境化意味着不仅要关注直接的治疗方案，还需要综合考虑与治疗相关的各种因素，以获得更全面和深入的理解。
这包括：
治疗方案的适用性：评估该治疗方案适用于哪些特定类型的患者（如年龄、性别、疾病阶段等）。治疗效果的背景对比：了解该治疗方案的效果如何，与其他可用的治疗方法相比如何，包括治愈率、缓解症状的速度、副作用等。科学证据和临床试验：考虑支持该治疗方案的科学研究和临床试验数据，这些数据的质量和可靠性如何。患者的反馈和经历：收集实际使用该治疗方案的患者的反馈，了解他们的治疗经验和满意度。成本效益分析：分析治疗方案的成本效益，包括治疗费用、所需时间以及可能的长期健康效益。法规和政策环境：了解相关的法律法规和政策背景，这些因素可能影响治疗方案的实施和患者的接受程度。通过情境化这些相关的信息，可以更全面地评估AI医疗搜索得到的治疗方案的适用性和有效性，帮助医疗专业人员和患者做出更好的治疗决策。
具体实现，我们可以在 MindSearch 版本上，加上这些设计。
各位大佬可以精细分析，怎么把这些设计转换为具体实现！
嘘，别人我不告诉 TA ！！！
被绿的时候我忍气吞声！！！
被甩的时候我一言不发！！！
被渣的时候我不为所动！！！
但看见关注我泪如泉涌！！！
文字看累了，看美女放松一下，顺便点个关注！！！
因为这里是连续剧，后面还有更多美女和干货！！！
我要让高难度知识落地！！！
我要让高精尖科学流传！！！
我要在高逼格的干货上！！！
我要给出最有用的心得！！！
和全球顶级科学家同步！！！