系列教程说明
这是「AI专家养成计划」系列教程的第80篇，共140篇。本系列从零基础出发，每天两篇（早课理论+晚课实践），用70天时间带你全面掌握AI的核心概念与实战技能。无论你是职场人士、学生还是对AI感兴趣的普通用户，都能在这里找到适合自己的学习路径。
上篇回顾
今天早上我们学习了AI搜索：新一代信息获取，掌握了三个核心要点：
- AI搜索的本质是”理解问题→检索网页→阅读内容→综合回答”，与传统搜索的关键词匹配有根本区别
- 主流工具包括Perplexity AI、ChatGPT搜索、Google AI Overviews、秘塔AI搜索
- AI搜索的原理是搜索引擎技术与大语言模型的结合
今晚，我们将动手实操，用真实案例掌握AI搜索的高效使用方法。
实操一：秘塔AI搜索——国内首选的免费工具
秘塔AI搜索（metaso.cn）是国内体验最好的AI搜索工具，免费、无需科学上网、中文支持优秀。我们今晚的大部分实操都用它来演示。
第一步：打开秘塔AI搜索
在浏览器中访问 metaso.cn，你会看到一个非常简洁的搜索框。界面没有广告，没有推荐流，就是一个干净的输入框——这就是AI搜索和传统搜索引擎的第一个区别。
第二步：用自然语言提问
传统搜索习惯：输入关键词，如”Python 安装 Windows 教程”
AI搜索正确姿势：输入完整的问题，如”我是一个编程初学者，想在Windows 11上安装Python，请告诉我详细的步骤和注意事项”
你会发现，秘塔AI搜索会：
- 先显示”正在搜索”和它找到了哪些来源
- 然后展示一个结构化的回答，包含分步骤的说明
- 每个关键信息后面有引用编号[1][2][3]，点击可以跳转到原文
- 回答下方列出所有参考来源的链接
第三步：切换回答模式
秘塔AI搜索提供两种模式：
- 简洁模式：快速给出核心答案，适合简单问题
- 深入模式：更详细、更全面的回答，适合复杂问题
练习：试着在简洁和深入模式下分别搜索”2025年个人所得税专项附加扣除有哪些变化”，对比两种回答的差异。
第四步：追问深挖
这是AI搜索最强大的功能之一。在秘塔AI搜索中，你可以：
- 先搜：”什么是RAG技术？”
- 看完回答后追问：”RAG和传统的搜索引擎有什么区别？”
- 再追问：”RAG技术目前有哪些开源实现？哪个最适合初学者？”
- 继续追问：”用LangChain搭建一个简单的RAG系统需要哪些步骤？”
每追问一轮，答案就更深入一层。 这就像和一个专家聊天——你不需要重新描述背景，AI已经记住了上下文。
实操二：ChatGPT搜索——对话式搜索体验
ChatGPT的搜索功能和秘塔不同，它是在对话过程中自动触发的。让我们来体验一下。
第一步：开启一个话题
在ChatGPT中输入：”帮我了解一下2025年全球AI芯片市场的最新格局”
ChatGPT会自动判断这是一个需要最新信息的问题，然后联网搜索。你会看到一个小的搜索图标闪烁，表示它正在查找信息。
第二步：对比有搜索和无搜索的回答
实验方法：
先在ChatGPT中问：”英伟达最新的AI芯片是什么型号？”（这个问题需要最新信息，ChatGPT应该会联网搜索）
然后问：”介绍一下图灵机的基本原理”（这个问题不需要最新信息，ChatGPT可能不会搜索）
观察两者的区别：有搜索的回答通常更准确、更有时效性，而且会标注来源。
第三步：利用ChatGPT的多轮能力
ChatGPT搜索的独特优势是多轮对话。你可以：
- 先搜索一个话题：”最近有哪些AI创业公司获得了大额融资？”
- 然后追问：”这些公司中，哪几家的商业模式最有创新性？”
- 再追问：”能详细介绍一下第二家公司的技术方案吗？”
- 最后要求：”帮我整理一个对比表格”
这种连续追问的能力，是传统搜索完全做不到的。
实操三：5个高频场景的AI搜索模板
下面是我总结的5个高频场景，每个都有可直接复制使用的提示词模板。
场景一：快速了解一个陌生领域
模板：
`
我是一个[你的背景]，想了解[某个领域/技术]。
请用通俗易懂的语言给我一个全面的介绍，包括：
- 它是什么，解决什么问题
- 目前发展到什么阶段
- 有哪些主流的工具/产品
- 初学者入门的推荐路径
`
示例：
`
我是一个市场营销人员，想了解AI在数字营销中的应用。
请用通俗易懂的语言给我一个全面的介绍，包括：
- AI营销是什么，解决什么问题
- 目前发展到什么阶段
- 有哪些主流的工具/产品
- 初学者入门的推荐路径
`
场景二：对比两个方案
模板：
`
请对比[方案A]和[方案B]，从以下维度分析：
- 核心区别
- 各自的优势
- 各自的劣势
- 适合什么场景
- 综合建议
请用表格形式呈现关键对比，最后给出你推荐的场景化建议。
`
场景三：解决具体问题
模板：
`
我在[具体环境]中遇到了一个问题：[详细描述问题]。
我已经尝试过[你试过的方法]，但没有解决。
请帮我分析可能的原因，并给出具体的解决步骤。
`
场景四：获取最新信息
模板：
`
请帮我整理[某个主题]的最新动态，重点关注：
- 最近一个月的重要事件/发布
- 行业趋势分析
- 对[你的领域]的影响
请标注信息来源和日期。
`
场景五：深度研究
模板：
`
我正在研究[某个课题]，需要你帮我做一个深度分析：
- 背景和现状
- 关键技术/方法论
- 主要参与者（公司/机构/个人）
- 最新进展和争议
- 未来趋势预测
请引用可靠来源，对于有争议的观点请标注不同立场。
`
实操四：AI搜索的进阶技巧
技巧一：限定时间范围
在秘塔AI搜索中，你可以指定时间范围来获取最新信息：
- “2025年发布的AI搜索工具有哪些？”
- “最近一周关于OpenAI的新闻”
- “2024年以来RAG技术的进展”
技巧二：要求特定格式
`
请用表格对比以下5种AI搜索工具的功能、价格和优缺点。
`
`
请用流程图的形式展示RAG系统的工作原理。
`
`
请给我一个Markdown格式的学习路线图。
`
技巧三：要求批判性分析
不要只问”是什么”，要问”为什么”和”怎么样”：
- 不好：”Perplexity是什么？”
- 好：”Perplexity的核心竞争力是什么？它面临哪些挑战？与ChatGPT搜索相比，它的差异化在哪里？”
技巧四：结合具体情境
给AI足够的背景信息，它才能给出更精准的回答：
- 不好：”推荐一些AI工具”
- 好：”我是一个内容创作者，每天需要写3篇公众号文章，目前用Word手动排版，请推荐能提高效率的AI工具，预算每月200元以内”
实操五：AI搜索 vs 传统搜索对比实验
让我们做一个完整的对比实验，感受AI搜索的效率差异。
实验任务
问题：”对于一个5人的创业团队，选择React还是Vue来开发Web应用更合适？”
传统搜索方式
- 在百度搜索”React vs Vue 2025″
- 点开第一个结果，阅读5分钟
- 发现是偏向React的文章，不太客观
- 返回搜索结果，点开第二个
- 发现是2023年的文章，信息过时了
- 继续翻页……
- 20分钟后，你可能有了一些模糊的印象，但仍然不确定
AI搜索方式
- 在秘塔AI搜索中输入上述问题
- 10秒后，得到一个结构化的回答：
- 两者的核心区别
- React适合的场景
- Vue适合的场景
- 针对”5人创业团队”这个具体情境的建议
- 每个观点都有引用来源
- 你可以继续追问：”Vue的学习成本具体有多低？有没有数据支持？”
时间对比：传统搜索约20分钟，AI搜索约2-3分钟。
关键区别：AI搜索不仅更快，而且它理解了你的具体情境（5人团队、创业），给出的是针对性建议，而不是泛泛的对比。
使用AI搜索的注意事项
1. 不要盲目信任
AI搜索的答案可能包含错误。特别是：
- 具体数字（价格、日期、统计）可能不准确
- 小众领域的信息可能覆盖不全
- 最新事件可能有延迟
解决方法：点击引用来源，回到原文核实关键信息。
2. 重要决策要交叉验证
如果AI搜索的结果会影响你的重大决策（投资、医疗、法律），一定要：
- 查看多个AI搜索工具的回答
- 点击引用来源验证
- 咨询专业人士
3. 善用追问能力
不要满足于第一个回答。AI搜索最大的价值在于多轮追问，每一轮都能挖掘出更深入的信息。
4. 提问质量决定回答质量
你给AI的问题越具体、越清晰、包含越多背景信息，AI给出的回答就越精准、越有用。
今日实践总结
今天我们完成了5个实操：
- 秘塔AI搜索实操：掌握了国内首选AI搜索工具的基本使用
- ChatGPT搜索实操：体验了对话式搜索的多轮优势
- 5个场景模板：获得了可直接使用的提问模板
- 进阶技巧：学会了限定时间、要求格式、批判性分析等高级用法
- 对比实验：亲身体验了AI搜索相比传统搜索的效率提升
记住：AI搜索不是要取代你的思考，而是帮你更快地获取信息，让你把时间花在更重要的事情上——分析、判断和决策。
🚇 地铁深读：RAG技术——AI搜索的”秘密武器”
这个板块专为地铁通勤设计，5-10分钟深度阅读。不想深读可以跳过，不影响主线学习。
AI搜索为什么能”读完网页再回答”？
今天我们在实操中看到，AI搜索能够检索多个网页、阅读内容、然后综合回答。这背后的”秘密武器”叫做RAG（Retrieval-Augmented Generation，检索增强生成）。
RAG的三步走
第一步：检索（Retrieval）
当你提问时，系统首先用传统搜索引擎找到相关网页。比如你问”2025年AI芯片市场格局”，搜索引擎会返回10-20个相关网页。
第二步：增强（Augmented）
系统把检索到的网页内容”喂”给大语言模型。这就像给一个聪明的学生一堆参考资料——他不需要全部记住，只需要从中提取关键信息。
第三步：生成（Generation）
大语言模型基于这些参考资料，生成一个连贯的、结构化的回答。因为有真实网页作为依据，回答的准确性比纯粹靠”记忆”（参数知识）要高得多。
RAG解决了什么问题？
大语言模型有两个固有缺陷：
- 知识截止：训练数据有时间限制，不知道最新信息
- 幻觉：有时会”编造”不存在的信息
RAG通过引入实时检索，完美解决了这两个问题：
- 知识截止？检索最新网页就好了
- 幻觉？有真实网页作为依据，编造的空间大大缩小
一个类比帮助理解
想象你是一个学生在开卷考试：
- 没有RAG：闭卷考试，全靠记忆，可能记错
- 有RAG：开卷考试，可以翻书，但你需要快速找到相关章节、理解内容、然后用自己的话组织答案
RAG就是让AI具备了”开卷考试”的能力。
RAG的局限性
RAG虽然强大，但不是万能的：
- 如果搜索引擎找不到相关网页，RAG也无能为力
- 如果网页本身有错误信息，RAG可能会传播错误
- 检索的网页数量有限，可能遗漏重要信息
这也是为什么我们在实操中强调：AI搜索的答案要核实，重要决策要交叉验证。
延伸思考
如果你对RAG技术感兴趣，Day52我们会深入讲解”RAG：让AI读你的文档”——到时候你就能亲手搭建一个属于自己的RAG系统。
思考题：如果你是一家公司的知识库管理员，你会如何用RAG技术来改进公司的内部搜索系统？需要考虑哪些问题？
下篇预告
明天早上8点：Day41——AI笔记与知识管理——用AI整理你的知识库，让你的信息不再碎片化
明晚5点：Day41——晚课 AI笔记与知识管理实战
发表回复