最近我发现，AI搜索工具在实际应用中遇到了一些挑战。无论是电商市场趋势还是医疗行业的学术报告，AI搜索的效果常常让人感到失望。通过与朋友们的交流，我逐渐认识到，AI搜索要想真正提高效率，必须从用户的具体场景和需求出发。

看两个现象：

上周，我和一个做电商朋友聊天，他正研究干果品类市场趋势。聊着聊着，他说，现在AI 搜索不太好用。我问为什么，他说：

“我想知道上个月哪种干果卖得火，抖音上真实用户评论怎么样，以及未来的销售趋势会如何？但是，AI 搜索后，得到一堆关于整个行业的研究总结，这些信息既不够深入，也不够精准，帮助不大。”

当时我没太在意。结果，昨天这种情况又出现了。

在微信上，聊到工作流，一个在医疗行业做培训的朋友说，他经常要查阅很多学术报告；报告大多从知网之类的平台下载，然后用豆包 AI帮他做本地化总结和提炼关键内容。

同时，也会用夸克、知乎直答垂直 AI 搜索工具。但问题是，工具能找到一些博主写得不错的问答，当想更深入地了解问答背后知识时，就卡壳了。

其实，我更想要其他维度的内容，类似于案例分析，数据解读之类的。但AI搜索只能给出总结性的结论，有些失望。

所以，这两次无意识聊天让我感受到，要让 AI 搜索真正满足用户的需求，要找到具体场景。

一、什么是具体场景？怎么理解AI使用场景呢？

得从用户任务下的行为方式看。我们每天从早到晚活动，都围绕完成特定任务展开，用户使用产品、服务时，根本目的也是为了完成任务。

昨天，有个朋友和我说到他使用AI搜索的方式。

他日常工作是监测品牌声誉，使用 AI 搜索工具会设定一些关于品牌名称、相关话题讨论情况的提示语，然后，用它们捕捉网上每天关于品牌的评价；最后，利用这些信息，制作成日报，反馈给领导。

也就是说，他把 AI 搜索当作一个信息聚合工具，利用它来索引、总结当天的重要反馈和评论。

还有人使用AI基于话题形式。比如说高考，众多家长在面对孩子高考后，不知道如何填报志愿、不知道怎么选专业。

这时，会用AI搜索获取帮助，AI 搜索像一个专业顾问，能够依据家长、学生提供的具体情况，（兴趣爱好、学科优势、未来职业规划等）进行综合分析，进而做出针对性选择。

从这个行为来看，用户主要关注两方面：一，功能性；二，实用性。

所谓功能性，即，AI 完成搜索任务后，能基于结果进一步生成思维导图，制作图标，提供多维度数据对比工具，甚至能做中英文互译等等。

而实用性，是把知识答案作为起点，去解决具体问题。实际上，每个问题都是一个场景，问题的聚合代表着大量资源的挖掘。

我前段时间看徐峥导演的《逆袭人生》，想写篇文章。

写作过程中，我想查查全网关于徐峥的各类话题数据，我用 AI 搜索找好久，最终，只能找到一些其他媒体的数据；其实，我更希望当我问 AI 时，它能帮我搜索、总结一下，然后用工具做成表格，直接拿来用。

最近各家公司都在发布财报，我如果能对 AI 搜索说，帮我找一下瑞幸 2024 年中期报告，比较一下和 2023 年的数据，并把毛利、净利做成表格，那该多好。

显然，目前 AI 搜索产品还做不到这一点。

或者说，大家都在卷AI搜索、把AI总结前置化思维方式，限制了产品经理的思考，他们没能从任务角度出发，用问题、话题索引信息源后，再总结，再用工具串联起来。

Perplexity标语叫做 “Where Knowledge Begins”（知识从这里开始），我觉得，用这句话来形容 AI 产品的用途很合适。这意味着，AI 帮助我们从知识的起点开始，解决实际的问题。

二

把用户任务前置化的思维方式很重要。不信，冷静下来想一想，不论是什么样的 AI 搜索产品，它们主要目的是什么？

说白了，只有一个：用 AI 力量，帮用户找到他们真正需要的内容，让他们能拿到更准确的信息。

过去用传统搜索引擎时，很多用户需求都没被好好满足。如果我们要找个答案，可能得先把问题分成 A、B、C 三部分，然后一个个地输到搜索框里。

搜索引擎用爬虫技术在网上抓信息，然后，按自己的逻辑排个序，列出结果。我们拿着这些信息，自己再分析、总结一番，最后才能用来支持决策。

但有了AI 搜索产品后，一切变简单了，你不用再走 A、B、C 三步。只要提出问题，AI 就直接理解你的意图，拆解问题，并找到相关网页。然后，大模型会分析信息，最后整理成结构化的结果直接给你。

但问题是，单单列出 A、B、C 还不够。我们希望在信息被列出后，还能用工具进一步深入分析，然后再总结，最后生成报告。这才是关键。

这个过程像建筑师设计房子：

先画出草图（提出问题并进行拆解），然后，找合适的材料（收集和分析信息），最后，精心挑选材料，确保每一步都非常精准，这样才能建造并完成精装，保证房子既坚固又好看。

可问题是：现在 AI 帮我们收集和分析了信息，但选择材料的权利没给用户，也没提供足够的工具，就直接总结了。这跟以前有什么区别呢？

因此，在创造新需求之前，AI 搜索要先满足传统搜索没解决好的需求；也就是说，过程中被忽视的需求。

虽然现在看起来 AI 降低了搜索产品的门槛，实际上很多产品很相似，都像 AI 版知乎直答，它们主要任务是简化搜索流程，把来自不同渠道的信息集中起来。

所以，我说 AI 搜索卷错了方向，那么，自然也就出现，很多人经过一段时间尝试之后，又回到传统搜索引擎行为上，因为传统搜索引擎提供的信息更全面。

显然，如果想让用户把 AI 搜索变成一个真正提高效率的工具，必须深挖并满足传统搜索技术没满足的需求，这才是刚需。

三

因为所有AI搜索，本质上，都在解决三种题型：

第一种，填空题。这种时候，用户其实已经心里有个问题：“这是什么？”

比如：他们想查查最新的新闻，或者想知道某个名人最近怎么样了，又或者想知道一家公司去年挣了多少钱。这些问题，传统互联网搜索已经能解决得很好了。

第二种，证明题。这时，用户已经有了自己的想法，可能会说：“我觉得是这样，因为……”，他们需要的是一大堆事实来支撑这个看法。

这种情况就像老板给你个想法，你得去找证据来证明它是对的。这种任务，听起来简单，其实挺费劲的，要花不少人力、物力和时间。

比如说：

如果要证明某家公司的某个看法，我得去翻这家公司过去几年的各种数据和信息。就像我想写徐峥导演的《逆袭人生》，本质上也是个证明题，要通过数据来证明我的观点，那就得找准确的数据。

实际上，AI搜索产品都在尝试解决填空题、和基础证明题，所谓的基础证明题，是有明确标准答案的问题，但它们处理复杂证明题的能力还需要提高。

我觉得最难的是论述题（discussion question）。

什么是论述题呢？这种题像：“我也不太清楚，帮我在网上找找看？”这种问题和前两种的区别在于更像语文和数学。

数学有明确对错，语文没有。高级证明、论述，就像写作文一样，没有固定对错，分数更多是老师主观给的。

搜论述题挺复杂，你找的是关于一个问题的各种观点，本来就没有绝对的正确或错误。搜完后，还得自己头脑风暴一番，最后才能总结出个答案。

可以看出来，这三种题型，难度一级比一级高。要回答好“高级证明题”和论述题，不光需要工具，还得人工参与一下。

这是啥意思呢？

现实世界里，复杂问题很常见，因为无论是在工作还是生活中，很多问题都没有绝对的对错，常常是因为不同人的价值观、看法不同。

我们人类又有点懒，总希望AI能一步到位帮我们搞定这些复杂的问题。但用过几次后，发现AI没那么给力，用的次数就少了。

还有，要回答这些问题，比如我找了好多论据，到底哪个最靠谱，哪个最有力，你得一个个筛选；如同写论文一样，为了支持一个观点，得查很多资料，还得想清楚怎么表达得简洁明了。

现在，ChatGPT都解决不了高级证明题和论述问题。比如，你问它一个问题，它回答后，你说不对，它会马上改，改成你想要的答案，尤其是文科类。

四

那为什么大语言模型搞不定这类问题呢？因为大语言模型是根据前一个词来推理下一个词，它是在猜高频词。

但问题是，出现最多的词，不一定是最好的答案，有些词或句子出现的次数很少，但可能就是关键的见解。

比如：

好的学术论文，平时可能没多少人看，用得也不多，但要你想深入研究一个问题，这些论文就特别重要。法律、医疗、政策研究、市场分析的专业报告也是一样，这些深入和具体的内容通常不太流行，但对做决策超重要。

还有一点，AI不太会拆解复杂问题，我们得把问题拆得特细，一步步来，才能找到答案。所以，要解决证明题、复杂论述题，就得让用户参与进来。

这个过程就是：AI搜索后，用户可以选择优质语料、剔除不太准确的信息，然后扔进工具里，自己再总结一下，最后才能得到满意的答案。

举个通俗的例子：

你想研究全球变暖，对北极熊生存环境的影响。一般AI搜索，只能给你一些基本的信息和新闻报道。

但作为研究者，你要找到相关的学术论文、和详尽的环境研究报告。可是，第一次搜索结果里，你会发现很多过时的或者不相关的内容。

这时，为了拿到真正有用的数据，你就不得不一个个地筛选包含严格科学研究和具体数据分析的文章；这一步做完后，你就可以把精选的资料扔进一个分析工具里，或利用某些功能，做成图表、PPT，插入一个页面中，最终制作出自己需要的报告。

前一段时间，GitHub热榜上，曾经有位AI 大神仅用 500 行代码就打造了一个AI 搜索引擎的Demo ，我还体验了一次，不仅响应速度快、回答的内容也能跟进最新时事。

所以，想要AI搜索产品脱颖而出，最关键条件是什么？

一方面，是数据，尤其是垂直细分的数据。垂直细分的数据要通过具体的场景、话题、主题来引导用户分享，并参与提问。

另一方面，想应对低门槛挑战，要努力打造自己产品特色，AI 搜索产品是由用户需求驱动的，不是单纯的技术驱动。

用户价值可以通过这样的公式来表达：用户价值 = 新体验 – 旧体验 – 迁移成本。想想看，如果一个AI搜索工具能提供明显优于传统搜索的结果，但，同时使用起来又非常简单，那么，用户自然更愿意转向使用这种新工具。

我最近老看大模型的文章，文章都在哪找的呢？

主要是两个地方：一个是技术社区，另一个是知乎直答上的一些专门写这方面的博主。每次我搜索这些内容时，它们几乎总能给我找到需要的东西，所以，我现在挺依赖它的。

这就是用户价值。

因此，从这个角度看，国内AI搜索产品的发展路径，不能完全模仿国外Perplexity。外媒平台Decoder一周前发表了一篇文章，介绍了Perplexity的现状。

文章中提到，Perplexity首席业务官Dmitry Shevelenko表示，Perplexity每个月要处理2.5亿个问题，增长速度令人惊讶。虽然谷歌仍然是搜索市场的主导者，每天处理85亿次查询，但Perplexity的增长速度也非常迅速。

Perplexity是希望打造知识平台，成为生态入口，它的定位是LLM+搜索引擎的中间态，将二者优点结合，侧重搜索体验的产品力而非基模型。

对比国内的搜索环境，传统搜索引擎已经占据通用搜索场景。如果新的AI搜索产品知识库规模不够大，使用效率不够高的情况下，还在努力处理填空题、基础证明题，那么，很难在市场脱颖而出。

所以，国内AI搜索产品，每家要找到自己独特的发展路径，或许，在特定垂直领域深耕，利用AI优势来提供更精准、更垂直细分的内容，才能有机会瓜分市场。

总结

到场景任务中去。

场景、任务里，存在着许多尚未开采的金矿，未来AI搜索要么成为工作流中一部分，要么，走向UGC+AIGC路线，但后者要具备庞大知识系统，构建起来要烧更多钱，何其容易。

综上所述，AI搜索的未来发展需要更深入地挖掘用户的实际需求和场景应用。只有通过改进搜索工具的功能性和实用性，才能真正提升用户体验，实现信息获取的精准和高效。期待未来AI搜索在这些方面的突破和进步。