Chat with Wiki - SEARXNG

Answer

以下是关于 SEARXNG 的相关信息：

行业解决方案：
- 服务和业务助手：行业包括互联网、制造、游戏，场景有对客服务、对内助手、产品搜索和推荐，业务关注点为回答准确率、数据覆盖范围，关键功能需求包括丰富的文档/多媒体/数据库支持、多数据源打通、文档 Meta 信息增强、搜索过滤、大模型召回判定。
- 个人助理：行业涵盖互联网、教育、游戏、社交，场景有闲聊助手、情感陪伴、学习助手，业务关注点为回答准确率、业务数据关联性、人设契合度、多模态，关键功能需求有 Prompt 优化、多模态数据上传、互联网搜索、音频/视频交互。
- 多模态文件交互和数据处理：行业有互联网、教育、安防，场景包括视频理解和信息抽取、作业批改，业务关注点是成本、延迟、多场景适配度，关键功能需求为自定义文件解析设置、视觉解析增强、企业级数据管理。
- 服务和业务助手案例：
  - 内部业务助手：使用企业内部规章制度、部门结构、产品介绍等文档构建知识库，通过 RAG 智能体进行内部知识问答，数据多源、异构，复杂文档解析视觉增强，提供更好的文档理解，已灰度上线，需要提供 uid，白名单开启。
  - 医疗助手/法律助手/智能导购：构建领域内知识库，为普通用户提供基础的医疗/法律知识，给出准确的就医建议/法律援助建议，在相似度阈值判定的基础上，引入大模型的智能分析能力。系统首先通过相似度阈值筛选出初步的搜索结果，然后利用大模型对这些结果进行深入分析，判断它们与用户查询的关联程度。结合了规则性和智能性，判定准确度高；判定速度略慢；产生额外的大模型调用费用。适合需要高度定制化和智能化搜索服务的场景，有效减少了企业场景海量数据情况下的数据混淆和模型幻觉问题。
工具：
- 关于 AI 搜索的看法：
  - AI 搜索引擎是一个持续雕花的过程，在提升准确度方面有很多事情可做，如 Prompt Engineering/Query Rewrite/Intent Detection/Reranking 等，每个步骤都存在不少问题，如用 function calling 去做 Intent Detection 会遇到识别准确度低的问题，用 llamaindex+embedding+Vector DB 做 Reranking 会遇到排序效率低下的问题。
  - AI Search+Agents+Workflows 是趋势，AI Search 做通用场景，通过 Agents 做垂直场景，支持个性化搜索需求，通过 Workflows 实现更加复杂的流程编排，使用 GPTs 做出的提示词应用或知识库挂载型应用价值点较薄。
  - 个人不太看好垂直搜索引擎，因为用户的搜索需求多样，垂直搜索引擎自建 index 索引工程投入大，效果不一定比接 Google API 好，且接入的信息源有限。
  - AI 搜索是一个巨大的市场，短时间内很难形成垄断，海外 Perplexity 一家独大，国内 Kimi/秘塔小范围出圈，各家的产品体验和市场占有率未达到绝对领先，后来者仍有机会。
  - AI 搜索引擎需要尽早考虑成本优化，主要支出在于大模型的 token 成本和搜索引擎的 API 请求费用，成本优化是个持续的过程，比如可以自行部署 SearXNG 来降低搜索成本，部署开源模型来降低大模型的 API 调用成本。
趋势研究：
- 社交平台在生成式 AI 时代的影响：平台可能更侧重于提供 AI 难以替代的体验，如即时的社交互动、社区讨论和原创短视频娱乐内容等以维系用户黏性。像百度这样同时经营搜索和信息流的公司在尝试双管齐下，社交平台未来或将调整广告产品结构，开发新的原生广告形式以适应 AI 时代的消费习惯。小红书等平台也有可能开发 AI 辅助的内容创作和搜索功能，为用户提供更加智能的笔记摘要和个性化推荐，维持其生态活力。总体而言，广告主、媒体和平台都必须重新思考自己的定位与策略，在强化自身核心优势的同时，主动拥抱生成式 AI 所带来的变革。

Content generated by AI large model, please carefully verify (powered by aily)

References

|场景|行业和场景举例|业务关注点|关键功能需求||-|-|-|-||服务和业务助手|行业：互联网、制造、游戏场景：对客服务、对内助手、产品搜索和推荐|•回答准确率•数据覆盖范围|•丰富的文档/多媒体/数据库支持•多数据源打通•文档Meta信息增强•搜索过滤•大模型召回判定||个人助理|行业：互联网、教育、游戏、社交场景：闲聊助手、情感陪伴、学习助手|•回答准确率•业务数据关联性•人设契合度•多模态|•Prompt优化•多模态数据上传•互联网搜索•音频/视频交互||多模态文件交互和数据处理|行业：互联网、教育、安防场景：视频理解和信息抽取、作业批改|•成本•延迟•多场景适配度|•自定义文件解析设置•视觉解析增强•企业级数据管理|[heading2]服务和业务助手案例[heading3]内部业务助手[content]使用企业内部规章制度、部门结构、产品介绍等文档构建知识库，通过RAG智能体进行内部知识问答数据多源、异构，复杂文档解析视觉增强，提供更好的文档理解已经灰度上线，需要提供uid，白名单开启阿里云内部产品助手：[heading3]医疗助手/法律助手/智能导购[content]构建领域内知识库，为普通用户提供基础的医疗/法律知识，给出准确的就医建议/法律援助建议在相似度阈值判定的基础上，引入大模型的智能分析能力。系统首先通过相似度阈值筛选出初步的搜索结果，然后利用大模型对这些结果进行深入分析，判断它们与用户查询的关联程度。结合了规则性和智能性，判定准确度高；判定速度略慢；产生额外的大模型调用费用。适合需要高度定制化和智能化搜索服务的场景。有效减少了企业场景海量数据情况下的数据混淆和模型幻觉问题

工具：我做了一个 AI 搜索引擎

1.AI搜索引擎是一个持续雕花的过程。特别是在提升准确度这个问题上，就有很多事情可以做，比如Prompt Engineering/Query Rewrite/Intent Detection/Reranking等等，每个步骤都有不少坑。其中用function calling去做Intent Detection就会遇到识别准确度很低的问题。用llamaindex+embedding+Vector DB做Reranking也会遇到排序效率低下的问题。1.AI Search+Agents+Workflows是趋势。AI Search做通用场景，通过Agents做垂直场景，支持个性化搜索需求。通过Workflows实现更加复杂的流程编排，有机会把某类需求解决的更好。使用GPTs做出的提示词应用或知识库挂载型应用，价值点还是太薄。1.我个人不是太看好垂直搜索引擎。一定程度上，垂直搜索引擎可以在某个场景做深做透，但是用户的搜索需求是非常多样的，我不太可能为了搜代码问题给A产品付费，再为了搜旅游攻略给B产品付费。垂直搜索引擎自建index索引，工程投入比较大，效果不一定比接Google API要好，而且接入的信息源太有限。1.AI搜索是一个巨大的市场，短时间内很难形成垄断。海外Perplexity一家独大，国内Kimi/秘塔小范围出圈。各家的产品体验，市场占有率还没有达到绝对的领先，后来者依然有机会。1.AI搜索引擎需要尽早考虑成本优化。主要支出在于大模型的token成本和搜索引擎的API请求费用。成本优化是个持续的过程，比如可以自行部署SearXNG来降低搜索的成本，部署开源模型来降低大模型的API调用成本。

[趋势研究] Deep Research - 推荐算法落幕? 生成式AI时代的搜索复兴

另一方面，平台可能更加侧重于提供AI难以替代的体验，例如即时的社交互动、社区讨论和原创短视频娱乐内容等，以维系用户黏性。像百度这样同时经营搜索和信息流的公司，则在尝试双管齐下：一方面在手机百度等产品中强化推荐信息流内容，另一方面推出整合文心一言的创新搜索服务，提供聊天式搜索体验，以提升用户留存。社交平台未来或将调整广告产品结构，开发新的原生广告形式以适应AI时代的消费习惯。例如，当用户在平台内进行搜索时，搜索结果页可以增设竞价广告位；或者利用生成式AI为广告主自动生成多样化的创意素材，实现广告内容与用户兴趣的更精准匹配[digiday.com](https://digiday.com/marketing/social-media-platforms-fuel-ai-ad-rush-with-new-creative-tools/#:~:text=Social%20media%20platforms%20fuel%20AI,potential%20ad%20copy%2C%20but)。小红书已经成为许多用户搜索生活消费指南的渠道，其社区沉淀了海量的用户笔记，用户既可以通过算法推荐发现有趣内容，也常常主动搜索关键词获取具体经验分享。在生成式AI的趋势下，小红书等平台也有可能开发AI辅助的内容创作和搜索功能，为用户提供更加智能的笔记摘要和个性化推荐，维持其生态活力。总体而言，广告主、媒体和平台都必须重新思考自己的定位与策略，在强化自身核心优势的同时，主动拥抱生成式AI所带来的变革。这场由技术驱动的广告生态重组中，充满挑战亦孕育机遇。