Google搜索 多步推理

以下是关于 Google AI Studio 的相关信息： 1. Gemini 2.0 Flash 现身 Google AI Studio： 多模态实时 API：支持实时视觉与音频流应用开发。 速度提升：首次令牌时间显著优化。 质量改进：超越 Gemini1.5 Pro 在基准测试中的表现。 代理能力增强：多模态理解、复杂指令处理、函数调用全面提升。 新增功能：图像生成与可控的文本转语音。链接： 2. Cognition 的 AI 工程师 Devin 正式推出： 定价 500 美金/月，专注于小型任务处理，而非代替程序员。 核心功能：可通过 Slack 指令分配任务、在 VSCode 中管理代码、通过 API 接入定制化工作流。 优势：提升开发效率，擅长修复 bug、优化代码、编写测试用例。链接： 3. OpenAI 回应 ChatGPT 宕机： 全球范围宕机，影响 iOS18.2 及 Siri 集成功能。 可能因苹果新系统大规模更新，Siri 与 ChatGPT 深度集成所致。链接：

使用 Google AI Studio 的步骤如下： 1. 开始使用生成式 AI Studio： 在 Google Cloud Console 的导航菜单中，导航至人工智能>Vertex AI。 在 Vertex AI 菜单中的 Generative AI Studio 下，单击 Language。 单击 +CREATE PROMPT 按钮，创建提示，您可以将鼠标悬停或单击页面右侧的按钮以了解有关每个字段和参数的更多信息，例如温度和令牌限制。 2. 进行设置和要求： 单击启动实验室按钮，如果需要支付实验室费用，选择付款方式。左侧是 Lab Details 面板，包含打开 Google 控制台按钮、剩余时间、临时凭据等信息。 点击打开谷歌控制台，实验室启动资源，然后打开另一个显示“登录”页面的选项卡。 将选项卡并排排列在单独的窗口中。 注意：如果看到“选择帐户”对话框，请单击“使用其他帐户”。 如有必要，从实验室详细信息面板复制用户名并粘贴到登录对话框中，单击下一步。 从实验室详细信息面板复制密码并粘贴到欢迎对话框中，单击下一步。 必须使用左侧面板中的凭据，不要使用 Google Cloud Skills Boost 凭据。注意：在本实验中使用自己的 Google Cloud 帐户可能会产生额外费用。 单击后续页面：接受条款和条件，不要添加恢复选项或双因素身份验证，不要注册免费试用。片刻之后，Cloud Console 将在此选项卡中打开。 3. 启用 Vertex AI API： 在 Google Cloud Console 中，在顶部搜索栏中输入 Vertex AI API。 单击 Marketplace 下的 Vertex AI API 结果。 单击启用。

Google 的实验性产品 Learn About 具有以下功能： 1. 专注于知识学习，能帮助用户全面深入学习任意领域的信息，如历史、艺术、自然、生物、物理、科学、经济、个人成长等。 2. 设计保证信息真实性，可自动扩展相关知识。 3. 呈现方式直观，具有丰富的交互内容和交互形式。 输入提示词（英文）后进入对话页面。 右侧是当前话题的信息流，左侧是拓展查询列表。 右侧页面有样式丰富的内容板块，左侧页面点击问题或输入追问可进一步下钻话题。 4. 拥有多种样式丰富的交互卡片，包括图文并茂、视频推荐、关键词释义、相关概念链接、话题要点总结、澄清常见误区、互动示例（多轮追问）、测验考题（多轮追问）。 5. 使用了 LearnLM 模型，这是 Google 今年 5 月份推出的 Gemini 系列模型之一，专门面向学习场景进行了微调。以教育研究为基础，核心目标是构建个性化的学习体验。目前，除了 Learn About 这款产品外，LearnLM 还被用于 Google Search AI Overview、Youtube 学术视频问答等产品中，也可以在 Google AI Studio 里直接与模型对话。 目前该产品处于测试阶段，仅限美国访问，可通过 VPN 体验。访问链接：

以下是为您整合的相关内容： Google 最近发布了 185 个全球企业生成式 AI 应用案例，涵盖客户服务、员工管理、代码开发、数据分析、安全管理和创意领域。案例展示了 AI 如何优化客户体验、提升员工效率、加速代码处理、改善数据分析、增强安全性及简化创意生产。详情可参考：《》 Coze 汽车售后服务知识库 Bot 旨在提升服务顾问和维修技师的专业水平和维修效率。该 Bot 通过提供标准化解决方案，辅助车辆故障分析和检查，弥补专业知识不足和技术支持文档标准化问题。主要目标是提升服务质量，减少对技师经验的依赖，为汽车售后服务提供智能化支持。详情可参考：《》

生成式 AI Studio 是 Google Cloud 上的一个工具，允许应用程序开发人员或数据科学家快速制作原型和自定义生成式 AI 模型，无需代码或代码量少。 生成式人工智能是一种能够生成新的、未曾存在内容的人工智能技术，生成的内容可以是多模态的，包括文本（如文章、报告、诗歌等）、图像（如绘画、设计图、合成照片等）、音频（如音乐、语音、环境声音等）、视频（如电影剪辑、教程、仿真等）。 其应用场景广泛，例如文档摘要、信息提取、代码生成、营销活动创建、虚拟协助、呼叫中心机器人等。 生成式人工智能的工作原理包括训练阶段和应用阶段。在训练阶段，通过从大量现有内容（文本、音频、视频等）中学习，得到一个“基础模型”。在应用阶段，基础模型可用于生成内容并解决一般性问题，还可以使用特定领域的新数据集进一步训练以解决特定问题。 Google Cloud 提供了多种相关工具，如 Vertex AI（端到端机器学习开发平台，帮助构建、部署和管理机器学习模型）、Model Garden（平台，可发现 Google 的基础和第三方开源模型，并提供 MLOps 工具用于自动化机器学习管道）。

Google 的人工智能多模态大模型叫 Gemini。具体介绍如下： Gemini 是 Google DeepMind 团队开发的多模态模型，不仅支持文本、图片等提示，还支持视频、音频和代码提示。 Gemini 能够理解和处理几乎任何输入，结合不同类型的信息，并生成几乎任何输出。 Gemini 被称为 Google 迄今为止最强大、最全面的模型。 Gemini 被描述为一种"原生多模态大模型"，从设计之初就支持多模态，能够处理语言、视觉、听觉等不同形式的数据。

推理行大模型对 RAG 准确性提升带来了以下改变： 1. 当辅以能有效提取文档中结构化信息并整合为提示词的 PDF 解析器时，大语言模型能作出更准确的响应，提高了提供给模型的数据质量和相关性，从而提升模型输出质量。 2. 大模型应用领域常用的 RAG 方法，能让模型用自定义数据生成结果，处理无尽私有数据，将模型当成高效推理机器。但 RAG 存在一些常见误区： 随意输入任何文档不一定能得到准确回答，RAG 流程中的多个环节都会影响最终质量。 RAG 虽能减少幻觉，但不能完全消除，只要有大模型参与就可能产生幻觉。 RAG 仍消耗大模型的 Token，最终需大模型处理检索结果生成通顺回答。 未来，将研究分享更多基于深度学习的文档解析方法，以更全面理解 RAG 质量和文档解析质量的关系。同时，前沿模型研发团队力争做到吞吐量、速度和准确度的最佳平衡。

推理模型是一种新的范式，专注于解决复杂、多步骤的问题。其技术原理主要包括以下方面： 1. 思考输入意图：通过对输入内容的深入理解，明确问题的核心和需求。 2. 逐步提供答案：不像传统模型一次性给出结果，而是分步骤进行推理和回答。 3. 擅长领域：在解谜和高级数学等具有挑战性的任务中表现出色。 4. 与传统模型的区别：传统模型可能更倾向于直接给出结果，而推理模型会通过逐步思考来提供答案。 5. 成本和易错性：推理模型成本高昂且容易出错，适用场景有限。 6. 模型变体：如 DeepSeek 推出的多种变体（如 R1Zero 和 R1Distill）展示了不同的训练策略和性能表现。 7. 思考过程：类似于人类的慢思考过程，结合行业特点给出重要事项和先后顺序。 8. 运算原理：快思考是概率预测，脱口而出但不一定对；慢思考在概率预测基础上做二层逻辑，即链式思维，展开问题找多条路径并互相验证。 9. 适用场景：指令遵循领域 instruct 模型效果好，推理和创造性问题适合用慢思考的推理模型。

要让推理大模型回答得更准确，可以通过以下提示词相关的设置和方法： 1. 参数设置： Temperature：参数值越小，模型返回结果越确定；调高参数值，可能带来更多随机、多样化或具创造性的产出。对于质量保障等任务，设置更低值以促使模型基于事实返回真实简洁结果；对于诗歌生成等创造性任务，可适当调高。 Top_p：与 Temperature 类似，用于控制模型返回结果的真实性。需要准确和事实的答案时，调低参数值；想要更多样化答案时，调高参数值。一般建议改变其中一个参数即可。 Max Length：通过调整控制大模型生成的 token 数，有助于防止生成冗长或不相关的响应并控制成本。 Stop Sequences：指定字符串来阻止模型生成 token，是控制响应长度和结构的方法之一。 Frequency Penalty：对下一个生成的 token 进行惩罚，与 token 在响应和提示中出现次数成比例，减少响应中单词的重复。 2. 提示词示例： 对于推理任务，目前已有一些涉及数学能力的改进。执行推理任务可能有难度，需要更高级的提示词工程技术，后续会介绍相关高级技术。 可以通过示例给模型说明，可能获得更准确结果，后面章节会介绍更多常见应用示例。 3. 调教方法： 像打字和写作一样，不断尝试和大模型交互是最佳方法，方法论不是关键。 可以在提示词里设定规则，也可临时更改，交互时无需遵循规则，重点是是否达成目的，未达成可重新尝试或更换模型。 用 Markdown 格式清晰表达问题，具有结构清晰、格式化强调、适用性广等优点，有助于模型更好地理解用户意图。

以下是一些能够更好训练模型推理能力以及优化推理准确度的方法： 1. OpenAI 的推理模型通过强化学习进行训练，在训练过程中，模型学会在回答前思考，产生长链的思维过程，并不断尝试不同策略，识别错误，从而能够遵循特定的指导方针和模型政策，提供更有用的回答，避免产生不安全或不适当的内容。 2. 蒙特卡洛树搜索（MCTS）对推理模型有积极影响，例如在数学定理证明中，能探索非确定性证明路径，将解决 IMO 几何题的耗时从传统方法的 30 分钟降至 90 秒；在多跳问答系统中，结合 MCTS 的模型在 HotpotQA 数据集上准确率提升 12%，因其能回溯验证中间推理步骤。 3. 动态知识融合机制方面，传统基于规则的推理无法处理模糊知识，而 MCTS 增强方案在医疗诊断中可将误诊率从纯规则引擎的 23%降至 9%。 4. 资源分配优化方面，在逻辑谜题求解任务中，MCTS + Transformer 能达到 85%准确率且耗时 3 秒，而纯 Transformer 为 62%准确率且耗时 8 秒；在法律条文推导任务中，MCTS + Transformer 有 92%合规性且耗时 5 秒，纯 Transformer 为 88%合规性且耗时 2 秒。 OpenAI 于 9 月 12 日发布的新模型 o1 旨在实现通用复杂推理，通过强化学习和思维链的方式提升推理能力，尤其在数学和编程领域表现出色，但用户反馈显示其实际表现与宣传存在差距，成本高于 GPT4o，且在某些任务上优势不明显，OpenAI 仍在探索如何优化模型的推理性能。

提升模型推理深度及准确度的方法包括以下几个方面： 1. 扩大模型规模：随着模型规模的扩大，其推理能力会得到提升，类似于 AlphaGo 或 AlphaZero 的工作方式，通过蒙特卡罗推演来修改评估函数，从而提高推理精度。 2. 引入多模态学习：引入图像、视频和声音等多种模式将极大地改变模型的理解和推理能力，特别是在空间理解方面。多模态模型可以通过更多的数据和更少的语言来进行学习。 3. 优化训练方法： RLHF（Reinforcement Learning from Human Feedback）：模型在这个过程中的目标是最大程度地获得人类的认可，通过奖励模型来衡量。 结合不同的推理能力提高途径：将生成不同的思维链（CoT）并选择有效路径的方法，与在部署时用大量计算进行推理的方法结合起来。 4. 改进模型结构和算法： 规模和算法是科技进步的关键因素，数据和计算规模具有决定性作用。 在模型之上添加启发式方法或增加模型本身的规模。 此外，Hinton 还提到了一些相关观点，如最合理的模型是将符号转换成大向量并保留符号的表面结构，大型语言模型通过寻找共同的结构来提高编码效率，以及即使训练数据中有错误，大型神经网络也具有超越训练数据的能力等。

以下是一些常见的 LLM 训练推理模型： 1. FengshenbangLM： 地址： 简介：是 IDEA 研究院认知计算与自然语言研究中心主导的大模型开源体系，开源了姜子牙通用大模型 V1，是基于 LLaMa 的 130 亿参数的大规模预训练模型，具备翻译、编程、文本分类、信息抽取、摘要、文案生成、常识问答和数学计算等能力。除姜子牙系列模型之外，还开源了太乙、二郎神系列等模型。 2. BiLLa： 地址： 简介：开源了推理能力增强的中英双语 LLaMA 模型。较大提升 LLaMA 的中文理解能力，并尽可能减少对原始 LLaMA 英文能力的损伤；训练过程增加较多的任务型数据，利用 ChatGPT 生成解析，强化模型理解任务求解逻辑；全量参数更新，追求更好的生成效果。 3. Moss： 地址： 简介：支持中英双语和多种插件的开源对话语言模型，MOSS 基座语言模型在约七千亿中英文以及代码单词上预训练得到，后续经过对话指令微调、插件增强学习和人类偏好训练具备多轮对话能力及使用多种插件的能力。 此外，Andrej Karpathy 的相关介绍中提到了 LLM 训练的一些情况，如训练过程涉及大约 10TB 的文本，通常来源于互联网的抓取，需要大量的互联网资源和一个 GPU 集群，费用大约 200 万美元。Karpathy 的视频还详细介绍了 LLM 训练的全部过程，包括预训练、有监督微调和强化学习等。

以下是一些好用的搜索引擎类 AI 门户： 1. 秘塔 AI 搜索：由秘塔科技开发，具有多模式搜索、无广告干扰、结构化展示和信息聚合等功能，能提升用户的搜索效率和体验。 2. Perplexity：聊天机器人式的搜索引擎，允许用自然语言提问，通过生成式 AI 技术从各种来源收集信息并给出答案。 3. 360AI 搜索：360 公司推出，通过 AI 分析问题，生成清晰有理的答案，并支持增强模式和智能排序。 4. 天工 AI 搜索：昆仑万维推出，采用生成式搜索技术，支持自然语言交互和深度追问，未来还将支持多模态搜索。 5. Flowith：创新的 AI 交互式搜索和对话工具，基于节点式交互方式，支持多种 AI 模型和图像生成技术，有插件系统和社区功能。 6. Devv：面向程序员的 AI 搜索引擎，专注于提供编程、软件开发和人工智能等领域的专业建议和指导。 7. Phind：专为开发者设计，利用大型语言模型提供相关搜索结果和动态答案，擅长处理编程和技术问题。 此外，存在能联网检索的 AI，例如 ChatGPT Plus 用户可开启 web browsing 功能实现联网，Perplexity 结合了 ChatGPT 式的问答和普通搜索引擎功能，允许用户指定希望聊天机器人在制定响应时搜索的源类型，Bing Copilot 可简化在线查询和浏览活动，还有 You.com 和 Neeva AI 等搜索引擎，提供基于人工智能的定制搜索体验并保持用户数据私密性。 近期出现的各类 AI 搜索引擎不断颠覆传统搜索引擎，如 perplexity.ai、metaso、360 搜索、ThinkAny 等，能辅助高效处理信息，智能摘要功能可快速筛选信息，还能通过自然语言生成美观可用的图片，降低创作门槛和周期。每个人应根据自己的日常工作流找到适合的工具，技术迭代会不断推动 AI Agent 向前发展。

以下是为您提供的关于深度搜索的相关信息： Jina AI 推出了 DeepSearch 功能，专为深入研究复杂问题设计，能够自动进行多轮搜索，阅读、分析搜索到的内容，推理优化答案，确保逻辑性和可靠性，且与 OpenAI Chat API 兼容，可轻松接入现有应用。相关链接： 。 在国内月活榜中，deepseek 作为聊天机器人，网址为 chat.deepseek.com，活跃用户达 7068 万人，环比变化为 24.3616%，所属公司为深度求索。

生成式 AI 搜索具有以下特点和应用： 有可能彻底改变互联网的核心功能之一——搜索。传统搜索中，用户在 Google 输入问题后常被大量链接及不准确信息淹没，而由大型语言模型驱动的搜索引擎可提供自然语言写成的简洁答案，并能在用户感兴趣时提供更多链接阅读。 一些公司为一般搜索查询提供服务，如 You 和 Neeva。还有公司采取更垂直化的方法，如 Consensus 跨越研究论文进行搜索，Perplexity 的 Bird SQL 产品针对 Twitter 进行搜索。 对于产品推荐尤为有价值，能根据特定需求提供策划过的选项列表。 在企业内部搜索应用中具有巨大潜力，如 Glean 允许团队跨应用搜索，Vowel 允许用户查询视频会议记录。 以下是一些推荐的 AI 搜索引擎： 秘塔 AI 搜索：由秘塔科技开发，提供多模式搜索、无广告干扰、结构化展示和信息聚合等功能，旨在提升用户的搜索效率和体验。 Perplexity：聊天机器人式的搜索引擎，允许用户用自然语言提问，使用生成式 AI 技术从各种来源收集信息并给出答案。 360AI 搜索：360 公司推出，通过 AI 分析问题，生成清晰、有理的答案，并支持增强模式和智能排序。 天工 AI 搜索：昆仑万维推出，采用生成式搜索技术，支持自然语言交互和深度追问，未来还将支持图像、语音等多模态搜索。 Flowith：创新的 AI 交互式搜索和对话工具，基于节点式交互方式，支持多种 AI 模型和图像生成技术，提供插件系统和社区功能。 Devv：面向程序员的 AI 搜索引擎，专注于提供编程、软件开发和人工智能等领域的专业建议和指导。 Phind：专为开发者设计的 AI 搜索引擎，利用大型语言模型提供相关的搜索结果和动态答案，特别擅长处理编程和技术问题。 在生成式人工智能方面，近年来大型语言模型的飞速进步为信息检索领域带来新机遇和挑战。2022 年 OpenAI 发布 ChatGPT 引发轰动，其在对话中展现出理解复杂问题和生成连贯文本的能力，被视为对传统搜索引擎的颠覆性竞争。ChatGPT 的成功引发搜索引擎巨头的紧迫感，谷歌推出 Bard 并逐步向 180 多个国家开放服务，百度推出文心一言等生成式 AI 搜索功能，微软将 GPT4 集成到必应搜索中推出新版本的 Bing Chat。早期观察指出，聊天机器人式的搜索在提供直接答案的同时，存在回答不准确甚至“幻觉”信息的问题，现阶段许多用户对 AI 答案的准确性和可靠性仍存疑虑。

以下是关于 AI 生成 CAD 图的相关资料： 1. 学术论文：通过 Google Scholar、IEEE Xplore、ScienceDirect 等学术数据库搜索相关的学术论文，以了解 AI 在 CAD 领域的应用和研究成果。 2. 专业书籍：查找与 AI 在 CAD 领域相关的专业书籍，从中了解 AI 在 CAD 设计中的应用和案例。 3. 在线课程和教程：参加 Coursera、edX、Udacity 等平台上的 AI 和 CAD 相关课程。在 YouTube 等视频平台上查找教程和演示视频，了解 AI 在 CAD 设计中的应用。 4. 技术论坛和社区：加入如 Stack Overflow、Reddit 的 r/AI 和 r/CAD 等相关的技术论坛和社区，与其他专业人士交流和学习。同时关注 AI 和 CAD 相关的博客和新闻网站，了解最新的技术动态和应用案例。 5. 开源项目和代码库：在 GitHub 等开源平台上探索 AI 和 CAD 相关项目，例如 OpenAI 的 GPT3、AutoGPT 等 AI 模型在 CAD 设计中的应用，了解 AI 在 CAD 设计中的应用和实现。 6. 企业案例研究：研究 Autodesk、Siemens 等公司在 AI 在 CAD 设计中的应用案例，了解 AI 技术在实际项目中的应用和效果。 在学习和研究 AI 生成 CAD 图的过程中，了解相关的基础知识和技术细节非常重要。通过阅读学术论文、参加在线课程、观看教程视频和交流学习，您可以逐步掌握 AI 在 CAD 领域的应用和实现。随着 AI 技术的不断发展，AI 在 CAD 设计中的应用将会越来越广泛，为设计师和工程师提供更多的辅助和支持。

以下是关于如何高效率用 AI 搜索学术文献资料的方法： 1. 确定课题主题：明确研究兴趣和目标，选择具有研究价值和创新性的主题。 2. 收集背景资料：使用学术搜索引擎和文献管理软件等 AI 工具来搜集相关研究文献和资料。 3. 分析和总结信息：利用 AI 文本分析工具提取收集资料中的关键信息和主要观点。 4. 生成大纲：使用 AI 写作助手生成包括引言、文献综述、方法论、结果和讨论等部分的课题大纲。 5. 撰写文献综述：借助 AI 工具撰写文献综述部分，确保内容准确完整。 6. 构建方法论：根据研究需求，采用 AI 建议的方法和技术设计研究方法。 7. 数据分析：若课题涉及数据收集和分析，使用 AI 数据分析工具处理和解释数据。 8. 撰写和编辑：利用 AI 写作工具撰写课题各部分，并进行语法和风格检查。 9. 生成参考文献：使用 AI 文献管理工具生成正确的参考文献格式。 10. 审阅和修改：利用 AI 审阅工具检查课题的逻辑性和一致性，并根据反馈修改。 11. 提交前的检查：使用 AI 抄袭检测工具确保课题的原创性，并进行最后的格式调整。 同时，为您介绍一些相关的 AI 工具和平台： 1. 文献管理和搜索： Zotero：结合 AI 技术自动提取文献信息，帮助管理和整理参考文献。 Semantic Scholar：由 AI 驱动的学术搜索引擎，提供文献推荐和引用分析。 2. 内容生成和辅助写作： Grammarly：提供文本校对、语法修正和写作风格建议，提高语言质量。 Quillbot：基于 AI 的重写和摘要工具，精简和优化论文内容。 3. 研究和数据分析： Google Colab：提供基于云的 Jupyter 笔记本环境，支持 AI 和机器学习研究，便于数据分析和可视化。 Knitro：用于数学建模和优化，帮助进行复杂的数据分析和模型构建。 4. 论文结构和格式： LaTeX：结合自动化和模板，高效处理论文格式和数学公式。 Overleaf：在线 LaTeX 编辑器，提供丰富模板库和协作功能，简化论文编写。 5. 研究伦理和抄袭检测： Turnitin：广泛使用的抄袭检测工具，确保论文原创性。 Crossref Similarity Check：检测潜在抄袭问题。 需要注意的是，AI 工具可以作为辅助，但不能完全替代研究者的专业判断和创造性思维。在使用 AI 进行课题写作时，应保持批判性思维，并确保研究的质量和学术诚信。 另外，开搜 AI 搜索是一款免费无广告、直达结果的搜索工具，它可以帮助在校学生快速搜集专业领域的学术资料，智能总结关键信息，助力撰写论文和报告，同时支持查看来源出处，参考价值高。对于教育教师群体，能获取丰富的教学资源，自动生成教案和课题研究报告，提高教学内容的准备效率。职场办公人群可利用其高效查找工作所需信息，简化文案撰写、PPT 制作和工作汇报的准备工作。也能为学术研究人员提供深入的行业分析，通过 AI 技术整合和总结大量数据，形成有深度的研究报告。链接：https://kaisouai.com/

以下是关于多模态搜索的相关信息： ThinkAny 搜索引擎： 产品特性： 支持多模态检索（MultiModeSearch），可检索链接、图片、视频等模态内容。 支持多维度输出（MultiFormOutput），能以对话、大纲、思维导图、时间线等形式输出搜索问答内容。 支持多信源检索（MultiRetrieveSource），可检索 Google、Wikipedia、Github 等信息源的内容。 开源了 API 项目 ragsearch，实现联网检索功能，并对检索结果进行重排和获取详情内容。 长期发展方向是走 AI Search+Anything 的平台化路线，允许用户挂载自定义信息源、创建自定义智能体、实现自定义的流程编排。 其他推荐的 AI 搜索引擎： 秘塔 AI 搜索：提供多模式搜索、无广告干扰、结构化展示和信息聚合等功能。 Perplexity：聊天机器人式搜索引擎，用自然语言提问，从各种来源收集信息并给出答案。 360AI 搜索：通过 AI 分析问题，生成清晰、有理的答案，并支持增强模式和智能排序。 天工 AI 搜索：采用生成式搜索技术，支持自然语言交互和深度追问，未来将支持图像、语音等多模态搜索。 Flowith：创新的 AI 交互式搜索和对话工具，基于节点式交互方式，支持多种 AI 模型和图像生成技术，有插件系统和社区功能。 Devv：面向程序员的 AI 搜索引擎，提供编程、软件开发和人工智能等领域的专业建议和指导。 Phind：专为开发者设计的 AI 搜索引擎，利用大型语言模型提供相关搜索结果和动态答案，擅长处理编程和技术问题。 提升 AI 搜索准确度： 在提示词的设计和调试方面需要下功夫，很多环节都需用到提示词，如请求大模型判断是否需要联网、改写问题、提取关键词、回答问题、标注引用来源、以思维导图形式输出答案、做 Function Calling 判断使用的 Agents 等。 多模态检索是提升信息密度的重要措施，随着 5G 发展，互联网信息多元化，图片、视频、音频比重增大，多模态检索为获取不同形式信息再聚合起来作为引用参考。但多模态检索实现困难，现阶段可在谷歌搜索基础上，先使用其图片/视频检索 API 拿到匹配内容，再通过 OCR 图片识别、音视频转录等方法拿到多模态信息的文本内容。