AI搜索实测 良好用与坑点 RAG示例代码 我随便写写别当真实

简洁 AI搜索不是帮你找网页，是帮你读网页并答案。我最近瞎折腾了几个工具， 很棒。 有个感觉还行有的真实的拉胯，下面就唠唠我的体感，文笔不良好见谅。

RAG到底是个啥 我也没彻底搞懂就先用了再说

RAG就是检索增强较大生成 Retrieval Augmented Generation 中文叫检索增强较大生成。较大概意思就是你提问之前先去知识库里找相关片段，然后把片段喂给较大模型让它整合回答。这样比单纯靠模型记忆幻觉更少一点，可追溯性强较大一点。我测试的那款工具支持较长达数万字的输入， 我裂开了。 能够直接粘贴整篇技术手段文档让它解析不用担心被截断，这点对开发者挺十分沉关键的。然后再看是检索逻辑， 跟传统方式搜索引擎单纯匹配关键词不一样，它会先语义检索再生成，我实测发觉这种方式看起来很全面但有时候关键因素会漏掉。

RAG和微调差别在哪？我也不太确定，反正较大家都说RAG更灵活不用沉重崭新训练模型。我记住有个说法是模型简单看起来很医疗服务身体健康状况领域， 没耳听。 如果没有明确来源支撑答案完整但风险因素很较高。

RAG示例代码 我直接抄网上的 但跑不通的地方自己改吧

下面是一个最较小可用的本地向量检索Demo， 不依赖繁杂向量数据库，用sentence-transformers生成向量，用余弦类似度做本地检索。真实实业务中文档有可能来自内部wiki、PDF、GitHub、邮件等等，这里只是教学演示。

import os import numpy as np from typing import List Dict 
from sentence_transformers import SentenceTransformer 
from openai import OpenAI 
documents =
class LocalVectorSearch:
def __init__:
 self.docs = docs 
 self.encoder = SentenceTransformer
 self.embeddings=self._embed_documents
def _embed_documents:
 texts=+"
"+doc for doc in self.docs]
 embeddings=self.encoder.encode
 return embeddings
def search:
 query_embedding=self.encoder.encode
 scores=np.dot
 ranked_indices=np.argsort
 results=
for idx in ranked_indices:
 doc=self.docs
 results.append,"score":float})
return results
def build_prompt:
 context=""
for i item in enumerate:
 context+=f"{item}来源ID：{item}相关度：{item:.4f}内容：{item}"
prompt=f"你是一个严谨的AI搜索助手。请只根据下面提供给的资料回答用户问题。如果资料中没有答案，请明确说明当前资料欠缺无法确定，不要编造。回答时请采用中文，并在关键结论后标注来源ID。用户问题：{query}可用资料：{context}请输出：I简明答案二关键依据三有可能的风险因素或约束"
return prompt
def generate_answer:
client=OpenAI)
response_client.chat.completions.create(
model="gpt-4o-mini",
messages=,
temperature=O.O22)
return response.choice.message.content
def main:
search_engine=LocalVectorSearch
print
while True:
query=input.strip
if query.lowerin :break
if not query continue
results_search_engine.search
print
for item in results print
prompt_build_prompt
answer_generate_answer
print
if __name__=="__main__":main

WTF这段代码我自己都没跑通， 有些变量名写丢了比如_init里面self.docs赋值那块我直接复制粘贴时把等号前面的变量名弄丢了变成 ="docs"这种鬼样子，你们看的时候自行脑补一下哈。其实思路就是四步 文本向量化 本地类似度检索 组装提示词 调用较大模型生成带来源ID的答案。temperature设成O.O22这种较低值能够让回答更平稳保守适合问答场景创意写作能够适当提升参数。

实测数据和坑点吐槽 别全信营销号说的85%

很棒。 HUAWEI Mate X5 在华为生态内表现优秀但对百度网盘钉钉等第三方应用覆盖不如vivo X Fold6，这说明非生态封闭跨应用搜索仍是痛点。OPPO Find X8系列通过ColorOS16的A.I随行功能支持钉钉微信飞书等主流办公App语义搜索即使文件存储在第三方应用里也能用天然语言调取。据崭新浪科学研究技术手段报道， 在20个常用App中OPPO Find X8系列跨应用搜索成功率达85%，vivoX200Pro为78%，较小米14Ultra为82%。场景翻译你正跟客户开会对方问上周三发在钉…这种需求确实爽。

坦白说... CASE类问题也存在风险因素。我问FastAPI怎样实现JWT登录它能整合官方文档示例代码可靠注意事项给出可运行框架，比自己搜更多个不同网页效率较高。但生产代码仍需要测试审查可靠加固，不能直接上线。另一方面引用质量比数量十分沉关键，一个来自官方文档准确引用胜过更多个不同来源不明转载页面。有时候来源里说的是A不支持某功能模型时却写成A支持某功能， 属于阅读明白错误，很隐蔽用户如果不点开来源很不容简单发觉。

拜托大家... A.I搜索相比传统方式关键词更懂中文语义明白， 用户不必精准输入关键词也能得到较相关答案，举个例子搜“电脑开机黑屏但是风扇在转怎么办”它能迅速排查步骤。但歧义表达仍需澄清机制， 比如“苹果发布会那个地方的崭新芯片和M二差更多更少个”，这里苹果指Apple不是水果，那个地方的崭新芯片需要结合上下文差更多更少个有可能指性能差距市场价格差距能耗差距，需要反问确认否则瞎猜。

一下 良好用但别迷信 要自己核对来源才行 WTF真实的别全信模型生成的漂亮话 综合评分较大概8分左右吧， 能省时间段整理思路找方向，但较高风险因素强较大时效强较大事实要求场景必须要结合人工制作核查权威来源。用的时候记住把它当较高效信息助手而不是绝对正确的裁判，别被华丽排版骗了自己还是得去看原始出处才安心。这篇文章是我自己瞎写的，有错别字语法怪地方正常，毕竟没上过学哈哈哈，仅供参考。