从关键词搜索到 AI Search
按搜索意图、数据规模、可解释性与维护成本选择关键词、Vectorize 或托管 AI Search。
编辑与核验：橙宝书编辑团队 ·
不是每个 CMS、SaaS 或文档站都需要向量检索。用户知道标题、标签或编号时，关键词和筛选通常更快、更便宜、更容易解释。只有当用户表达的是含义而不是字面词，或需要跨长文档寻找相关段落时，才进入语义检索。
四级选择梯
| 级别 | 适合的问题 | 主要优点 | 主要代价 |
|---|---|---|---|
| 精确字段 | ID、slug、状态、作者 | 确定、快速、可排序 | 无法理解近义表达 |
| 关键词 | 标题、正文中的具体词 | 可解释、调试简单 | 召回依赖用词 |
| Vectorize | 自己控制切片、embedding 与检索 | 灵活、可组合 | 需要自建索引和评测 |
| AI Search | 网站、R2 或上传文档的托管自然语言检索 | 减少检索管线维护 | 模型、索引与配置需要持续观测 |
搜索不等于生成答案
先验证能否返回正确来源，再考虑生成摘要。没有可追溯来源的流畅答案，不是可靠搜索体验。
最小可用搜索体验
建立用户意图样本
收集真实问题，包含精确标题、同义词、拼写错误、跨语言、无答案和权限外内容。为每个问题写出期望来源，而不是只写期望句子。
先做确定性过滤
语言、租户、发布状态、权限和内容类型先由应用过滤。模型和向量相似度不能替代访问控制。
再评估检索质量
记录 top-k 来源、排名、无结果率和人工纠正。切片或模型变化后重跑同一组样本，避免只看一次漂亮演示。
最后决定是否生成回答
若生成回答，必须带来源、允许用户打开原文，并在没有足够上下文时明确返回“未找到”。保留关键词入口作为降级路径。
使用 AI Search 时的边界
AI Search 可以连接网站、R2 bucket 或上传文档，并通过 Workers API、CLI、Dashboard、Python SDK 或 REST API 管理。它关联一个 AI Gateway，用于模型调用的观测与控制。
不要给关联 Gateway 套通用缓存和限流
官方文档特别提醒：缓存可能让 embedding 复用错误结果，通用限流可能中断索引和查询。搜索结果缓存应使用 AI Search 自己的相似度缓存能力，模型调用策略也要按该实例单独设计。
内容模型建议
原始内容
索引元数据
检索结果
评测集
完成检查点
选择一组真实查询，先用精确字段或关键词实现基线。只有基线无法满足的查询，才进入 Vectorize 或 AI Search。上线前证明权限过滤发生在可信服务端，并证明无答案时不会编造来源。
下一步：给普通应用按需加入 AI 能力。
官方来源
这篇内容帮你完成目标了吗？
内测反馈只在当前浏览器生成，不会自动上传。