一文读懂AI Search：从RAG到DeepSearch

主要观点总结

文章介绍了AI Search的发展历程，包括模型内在知识的有限性、通过知识检索来增强的方法，以及RAG演化的三个阶段。文章还提到了智能体的自主性所面临的两个边界条件：知识边界和能力边界，以及深度搜索（DeepSearch）的实现和应用。最后，文章展望了未来的发展趋势，包括从数据驱动的角度解决边界问题，以及通用型智能体的发展。

关键观点总结

关键观点1: AI Search的发展历程和重要性

AI Search通过不断升级模型能力（推理能力和工具调用能力）和设计范式，从最初朴素的RAG方案进化到具有自主性的Agentic RAG，旨在解决LLMs内在知识的有限性问题。

关键观点2: 智能体的自主性所面临的边界条件

智能体的自主性面临知识边界和能力边界两个挑战。知识边界是指模型的内在知识有限，能力边界是指模型的能力有限。这两个边界问题的解决需要信息和工具的支持，可以通过扩展训练数据和引入新的工具来扩展智能体的能力。

关键观点3: 深度搜索（DeepSearch）的实现和应用

深度搜索是AI Search的一种应用，通过引入推理模型和外部工具，实现知识的获取和整合。Jina AI和Google Gemini等方案展示了深度搜索的实现方式，未来可以逐步演化为能够运用不断扩展的工具集解决各类复杂任务的通用型智能体。

关键观点4: 未来的发展趋势

未来智能体的发展将从数据驱动的角度解决边界问题，通过强化学习（RL）后训练来提升模型的自主性、泛化性和灵活性。同时，通用型智能体的发展将是一个重要的方向，实现从搜索与推理到运用不断扩展的工具集解决各类复杂任务的转化。

免责声明