AgenticSearch:AI搜索开始找证据

Agentic Search 2.0 在云栖发布,覆盖企业知识深度检索、知识治理与全网实时搜索增强。文章拆解这套能力合集为何值得看,并给出场景对照和可运行的 Python 检索示例,帮助读者理解从召回、取证到答案输出的落地思路。

文章目录

原文:云栖实录 | AgenticSearch 定义 AI 搜索时代的信息检索 - 新范式

AI 搜索正在从“给出一个直接答案”,转向围绕问题组织检索与证据。Agentic Search 2.0 在云栖正式发布,构建企业搜索智能体的能力合集:既覆盖企业内部知识的深度检索与知识治理,也覆盖全网实时信息的搜索增强服务。它现在值得看,因为这次发布把内部知识、治理与外部实时信息放进了同一幅检索图景。

这篇聚焦三个问题:新范式与常见搜索有什么不同;企业知识和全网实时信息分别该怎么用;怎样用一个最小原型理解“检索—取证—回答”的闭环。读完可以拿走一张场景对照表、一条证据链思路,以及一段不依赖第三方服务的 Python 示例。真实产品能力、接口与接入细节以原文为准。

1、Agentic Search:从关键词结果到任务闭环

1、Agentic Search:从关键词结果到任务闭环(AI 生成示意图)

1、Agentic Search:从关键词结果到任务闭环 · AI 生成示意图

通常,关键词搜索更像“输入查询—返回链接”,人负责继续筛选;Agentic 思路则强调围绕任务选择信息路径,再把找到的材料组织起来。Agentic Search 2.0 全面对标国际先进形态,构建中国领先的企业搜索智能体能力合集,重点不是增加一个单点功能,而是形成覆盖不同检索场景的能力集合。

下表是便于理解的工作方式对照,不是官方功能清单;具体实现以原文为准。

维度 常见关键词搜索 Agentic Search 关注点
检索对象 页面或已建立索引的文档 企业内部知识与全网实时信息
工作方式 用户查看并筛选结果 围绕问题组织检索与材料
治理重点 内容能否被找到 深度检索与知识治理
典型输出 链接、摘要 信息组织与答案

2、企业内部搜索:知识治理决定答案上限

2、企业内部搜索:知识治理决定答案上限(AI 生成示意图)

2、企业内部搜索:知识治理决定答案上限 · AI 生成示意图

企业内部搜索的难点,通常不只是找到一段文字,而是让正确、可用、有上下文的知识被系统发现。Agentic Search 2.0 同时提到“深度检索”和“知识治理”,这让落地讨论可以拆成两个入口:前者关注找得更深,后者关注来源与内容关系是否清楚。

实际接入时,可以先问:问题属于哪个业务域?哪些材料应作为依据?不同版本或相互冲突的内容如何核对?一般应把召回质量与治理动作放在同一张检查表里,避免只优化搜索框命中率。摘要没有给出权限、更新流程和技术栈,相关细节以原文为准。

3、全网实时搜索:快之外,还要能核验

全网实时信息面对的是另一种问题:内容会变化,信息来自不同页面。Agentic Search 2.0 把面向全网实时信息的搜索增强服务能力纳入同一次发布,说明它并不只服务封闭知识库。

选型时可先分流:内部制度与沉淀文档,优先考虑深度检索和知识治理;公开网页与即时信息,优先考虑实时搜索增强,并回到来源做核对。更稳妥的答案不是“搜到即真”,而是让结论、来源与时间点保持关联。 摘要没有展开时间戳、引用和刷新机制,具体规则以原文为准。

4、跑通最小闭环:让每个答案带来源

下面用一个 Python 标准库示例演示最小闭环:检索文档段落,同时保留来源标识。它不是 Agentic Search 2.0 的产品接口,也不代表其真实架构;目的在于先对齐输入、检索、证据与输出。

DOCS = {
    "handbook.md": [
        "企业知识检索需要关注来源和治理。",
        "知识治理决定内部答案质量。",
    ],
    "release.md": [
        "Agentic Search 2.0 覆盖企业内部知识深度检索。",
        "全网实时搜索增强服务面向实时信息。",
    ],
}


def search(query: str):
    hits = []
    for source, paragraphs in DOCS.items():
        for paragraph in paragraphs:
            if query.lower() in paragraph.lower():
                hits.append((source, paragraph))
    return hits


if __name__ == "__main__":
    for source, paragraph in search("实时搜索"):
        print(f"来源:{source}")
        print(f"证据:{paragraph}")

保存为 demo.py 后执行 python demo.py,即可看到带来源的命中结果。这个例子故意采用简单关键词匹配,并让输出同时包含来源和证据片段。接入真实系统时,可以把 DOCS 换成实际知识源,再替换检索逻辑并补充结果排序。摘要没有披露相关接口、数据流或组件细节,因此示例函数不能当作官方 API;一切以原文为准。

写在最后

Agentic Search 2.0 把企业内部深度检索与知识治理、全网实时搜索增强放进同一能力框架。
它提醒我们,AI 搜索的竞争不只是“答得快”,更是“找得准、管得住、核得清”。
从关键词结果走向带来源的信息闭环,是更值得工程化的新范式。
我的判断:这类方案会先在知识密集、资料分散且持续更新的场景中体现价值。

相关阅读

想把这套流程装到自己服务器上?阿凡达提供一次性的私有化部署与出海模型接入服务,说明与报价见站内服务页:查看技术服务。

文中链接

整理自本文的外部链接,请以来源页面说明为准。

AgenticSearch:AI搜索开始找证据 · 阿凡达博客