首发实测！鹅厂刚开放的「元宝搜索」，给开发者减负了！（附福利激活码）

编辑｜张倩

AI 搜索靠不靠谱这件事，是时候单独拿出来说一下了。

原因无他，用的人实在太多了。大家现在遇到问题，第一反应早就不是打开浏览器翻搜索结果了：写代码的让 AI 查文档，做方案的让 AI 找数据，连「这家餐厅值不值得去」「这两味药能不能一起吃」这种小事，也顺手就问了。

而且这股风早就越过了「个人习惯」的范畴：客服机器人、车载语音、各种 App 里的智能助手、各家 Agent 应用，背后挂的都是 AI 搜索。

但越是这样，AI 搜索答案不靠谱的代价就越大，而一些新的研究结果也让人很不安。英国有家事实核查机构叫 Full Fact，最近干了件挺较真的事：从 7 月中旬开始，他们每天拿同样的 22 个问题去问五家顶级模型，一连问了十周，就想看看这些 AI 的准确性、稳定性和时效性到底怎么样。

结果不太好看：有模型在英国首相换人两个月后，还一口咬定旧首相在任；同一个问题今天问和明天问，答案居然对不上号。另外，答案不完整、缺乏背景、来源不可靠等问题在这项测试中暴露无疑。

对于开发者来说，这样的结果值得担忧，因为翻车的不是什么杂牌军，是地球上最聪明的几家模型。它们集体在同一个地方栽跟头，那问题恐怕不全在「脑子」，还在于外部信息能不能及时、准确地送到模型面前

业内早就有一套解决思路，叫 RAG（检索增强生成），让模型先检索、再回答。但 RAG 的效果，很大程度上取决于检索质量。如果搜回来的是过时信息、低质内容，再聪明的模型也可能被带偏。

更头疼的是工程化成本。公开网页抓取、网页解析去噪、海量数据的存储与索引、去重排序…… 搭起来已经不容易，后续还要持续更新数据、优化检索效果、兼顾响应速度与调用成本。没有一支成熟的搜索工程团队，中小开发者想自己补上这一层，实在不划算。

所幸，在这个当口，大厂发力了。10 月 20 日，腾讯的「元宝搜索」正式亮相，主打一个「开箱即用、免维护」，而且做到了「信源可信，结果可靠」。

注意，这可不是什么刚攒出来的新东西。过去一年多，「元宝搜索」已经在腾讯内部 50 多个核心产品中接受了实战检验，日均调用量达到数亿次。元宝、ima、WorkBuddy、腾讯视频…… 很多人可能没意识到，自己早就用过这套搜索能力。

而现在，腾讯把这套在内部跑通的搜索系统，通过腾讯云 API 向外部开发者和企业开放，相当于给大模型提供了一个开箱即用的「可信外脑」。

至于怎么用，好不好用，我们自己上手测了一下。

一手实测：新的、权威的都能搜到

从官方公布的信息来看，「元宝搜索」的接入分为三种方式：Skill、MCP 和直接调 API，基本上都没啥门槛。

我们选了 Skill 的方式来接入，整个过程可以说不用动脑子，只要去 SkillHub（腾讯云推出的 Agent 技能社区）复制一行提示词或下载一个压缩包即可：

SkillHub 地址：https://skillhub.cn/skills/user_f26e0ccb/tencent-yuanbao-standard-search

在 Cherry Studio 上，我们创建了一个智能体，专门用来测试。

为了避免智能体本身的搜索能力干扰测试结果，我们在系统提示词中加了一些限制。

当然，要想正常使用，得先去腾讯云平台薅点羊毛（见文末），创建一个 API KEY，并把这个 KEY 写入智能体的环境变量：

另外两种安装方式也不难：如果用 MCP，只需要在客户端配置里粘一段 JSON、填入 API KEY 即可；如果直接调用接口，也只是一个 HTTPS 请求加一个 Bearer 令牌（实测可以让智能体自己完成）。

接入指南：https://cloud.tencent.com/document/product/1806/121802

这些基础工作都做完之后，「元宝搜索」就可以跑起来了。

首先，我们从一些日常生活场景入手，看看「元宝搜索」能不能帮我们解决实效性比较强的问题，比如查油价、股价、车次这种波动性比较强的数据。

从返回的结果来看，智能体的分析基本都是基于最新数据。那这能不能说明「元宝搜索」发力了呢？我们来看一下智能体提供的数据来源说明：

在以上几次搜索中，智能体都明确表示调用了「元宝搜索」，并且未使用其他搜索引擎或抓取工具。看来，在实时性这块，「元宝搜索」属实是拿捏住了。

我们还注意到，在信源方面，「元宝搜索」是很「挑剔」的，比如在一些关于健康的问题中，它不是随便挑一些网上的结果就给到大模型，而是筛选出其中权威、可信的来源，从源头上减少低质信息的输出。

对于「元宝搜索」来说，这并非个例。它主打的就是「信源可信，结果可靠」，而支持这一点的是实打实的技术和高质量信源。

据官方统计，目前，「元宝搜索」已接入金融、政务、医疗等13 个垂直行业的 157 个权威信源，并在获取这些信源的信息后进行交叉印证，以减少大模型幻觉。

此外，像下面这个例子中所提到的腾讯自选股以及上一个例子中的腾讯医典等腾讯自家生态信源，也被「元宝搜索」给打通了，这是个人开发者或小团队很难做到的。

几轮实测下来，我们的初步感受是，给 Agent 装上一套能用、好用的搜索能力，确实可以不用那么折腾了。Skill、MCP、API 都能快速接入，背后繁琐的检索工程也不用自己操心。对于开发者和 AI 企业来说，这省下的不光是几行代码，还有大量基础设施建设和维护的精力。

令人感受更深的是「元宝搜索」背后的的信源家底。前面的实测已经能看到，元宝搜索在金融、医疗、出行等领域，能够提供来自专业机构和权威渠道的信息。而在这些结果背后，还有一层普通开发者不容易复制的优势：腾讯自有生态和第三方合作资源。

比如腾讯医典、腾讯金融科技等生态内的信息资源，以及京东、飞常准等合作方的专业数据接口，都已被整合进搜索服务。据腾讯介绍，这些接口的对接、合作沟通和相关授权由平台统一处理。开发者无需再逐个联系资源方、谈合作、做接口适配，就有机会通过统一的搜索服务获得相应的数据支持。

这也让「开箱即用」有了更具体的含义。对于开发者来说，有些工程难题可以靠投入时间解决，但专业信源的积累、合作关系的建立，往往不是多写几行代码就能补齐的。

可信可靠，背后是硬核技术栈

几轮实测下来，「元宝搜索」在实时信息和专业信源上的表现确实让人印象深刻。那么，这套搜索系统究竟做了哪些技术升级，才能让大模型找到更靠谱的信息？

我们从研发团队那里了解到了一些细节。简单来说，可以把一次 AI 搜索拆成几个关键环节：理解问题、筛选信息，以及在海量数据中快速找到答案。

Agent 和搜索，得学会打配合

过去，人们使用搜索引擎，输入关键词、浏览网页，再自行判断哪些结果有用。现在，搜索越来越多地由 Agent 发起，它需要自己理解任务、拆解问题，再决定搜索什么。

这就出现了一个新难题：Agent 不一定知道怎样提问，才能搜到最合适的结果。

元宝搜索的一项关键升级，就是让 Agent 和搜索模型协同优化。Agent 负责把复杂任务拆解成更适合检索的问题，搜索系统则提供信源权威性、发布时间等信息，帮助 Agent 判断哪些结果值得采用。

反过来，Agent 最终引用了哪些搜索结果、回答效果如何，也能成为搜索模型持续优化的反馈。

这相当于让 Agent 和搜索系统不断磨合，前者学会更准确地提问，后者学会提供更符合任务需求的信息。

此外，腾讯还建立了数据飞轮，从实际搜索中挖掘效果不佳的案例，通过自动标注、训练和反馈，持续改进搜索表现。

搜到不等于靠谱，排序才见真功夫

理解了问题，还得找到可信的信息。比如查询最新股价，最重要的是时效性；查询医学指南，权威性和专业性则更加关键。搜索结果与问题相关，并不意味着它就适合被大模型引用。

为此，元宝搜索用大模型解析网页，并从站点、账号、页面三个层次评估内容质量，尽量从源头上减少低质信息。

接下来是排序。腾讯采用了一套「Label 模型 —Teacher 模型 —Student 模型」的三阶段训练方案：先自动生成高质量标注，再让大模型学习复杂的排序标准，最后将能力蒸馏给更轻量的模型，兼顾排序效果和在线效率。

同时，排序模型会综合考虑相关性、权威性、时效性等因素，根据不同问题调整判断标准。

这套技术能带来什么实际变化？腾讯在媒体沟通会上透露，与 WorkBuddy 的联合评测显示，接入升级后的元宝搜索后，完成一项任务所需的平均搜索调用次数从约 8 次降到了 5 次。看来，搜回来的结果更有用，Agent 就有机会少走几次弯路。

千亿级搜索，怎样跑得快、跑得起？

效果做上去了，还有一道更现实的难关：成本。

传统搜索面对的是海量网页，而 AI 搜索还需要调用模型理解内容、评估结果、完成排序。Agent 一旦进入多轮任务，这些计算开销又会不断累积。

如果每次搜索都要让大模型重新阅读几千个 Token 的网页内容，光是推理成本和等待时间，就可能成为问题。

腾讯的一项技术是Gist Token 压缩：通过专门训练的模型，把原本几千个 Token 的网页压缩成大约 100 个用于排序判断的特殊 Token，再结合 KV Cache 复用计算结果，减少重复处理长网页的开销。

我们可以理解为，它会提前把网页整理成一份机器能够使用的「浓缩笔记」，需要判断相关性时，就不用每次都重新阅读整篇文章。

另一项关键技术则是融合索引。元宝搜索把传统倒排索引与向量检索技术结合，在保证检索效果的同时，提高海量数据下的搜索效率。

据腾讯披露，目前其向量索引规模超过 1500 亿，底层检索耗时控制在 10 毫秒以内，召回率达到 94% 以上。配合模型推理框架的优化，单位推理成本也降低了约 90%。

这些数字背后，其实是同一道工程题：搜索量上来了，系统能不能在保证效果的同时，继续维持可接受的响应速度和运行成本？

回过头来看，从理解问题、筛选信源、排序结果，到海量数据下的快速检索，元宝搜索几乎重新打磨了整个搜索链路，努力在准确性、响应速度和成本之间达到平衡。

所以，「可信可靠」这四个字不是靠一个更聪明的模型硬撑，每个环节都得重做一遍。我们开头说的大模型缺的那层支撑，到这儿，算是有人补上了。

搜索这一层，到了该被看见的时候

大模型这两年的进化，把一个问题摆到了台面上：模型之间「会不会答」的差距在收窄，如果只是聊天，普通人可能已经感觉不到它们的区别。但一旦做成应用，去解决实际问题，「答得靠不靠谱」就成为了留住人的关键。

就连 Meta 的亚历山大・王最近也坦言，他们的 Muse 就是靠一级一级的「信任阶梯」俘获人心的：用户一开始可能并不信任 Muse，只是出于好奇，先交给它一件很小的事试试。如果这件小事做成了，用户会稍微增加一点信任，再交给它稍微大一点、难一点的任务。最后，他们连信用卡都交出去了。

但是，这个阶梯的构建是极其困难的，因为任何一次掉链子都会直接打断信任的爬升过程，让用户退回到不信任的状态。

「搜索」恰恰就长在这个信任链条的关键节点上，是行业的基础能力。所以，「元宝搜索」选在这个节点开放，可以说是恰逢其时。

而对腾讯来说，这步棋是把内部用了很久的一张牌翻到桌面上。这套能力在自家产品里跑了一年多，该踩的坑踩过，该扛的流量扛过，现在通过腾讯云开放给全行业，等于把内部验证过的搜索基座变成公共基础设施。

类似的分工以前也发生过：当年云计算让创业者不用自建机房，才有了后来移动应用的爆发。现在搜索基座让开发者不用自建检索，逻辑是一样的。基础设施每成熟一层，上面的应用就会多一轮爆发。

对开发者来说，变化更直接：竞争焦点重新回到产品创意本身。轮子不用再造，最繁琐、最辛苦的检索工作可以直接交给「元宝搜索」，省下来的时间可以花在产品、场景和信任阶梯的搭建上。

至于 AI 搜索下一步会怎么发展，腾讯云副总裁、元宝搜索研发负责人马晋给出了三个方向：让搜索模型通过自迭代不断优化，持续扩充包括跨语言内容在内的优质信源，以及向医疗、金融等专业领域进一步深入

此外，腾讯目前开放的主要还是原子化搜索接口。马晋透露，未来也可能基于元宝、WorkBuddy 已有的 Agent 能力，进一步开放端到端的 AI 搜索服务。从提供搜索结果，到可能帮助 Agent 完成更完整的搜索任务，这套搜索基础设施还有继续扩展的空间。

说到这里，大家可能也想上手试一下。好消息是，官宣期间「元宝搜索」有免费额度（10 月到 11 月每月 6000 次），我们也向腾讯申请了激活码（63B3TTV2）。感兴趣的开发者可以试一下，拿自己真实的业务问题去考考它。

• 元宝搜索官网：https://cloud.tencent.com/product/wsa