- 综合排序
- 最热优先
- 最新优先
- 来自专栏Lan小站
试题 算法训练 5-2求指数
.*; public class qiuzhishu { /** * @param args * 试题 算法训练 5-2求指数 */ public static void main(String
58720编辑于 2022-07-13 - 来自专栏程序那些事儿
秘塔AI搜索，AI时代的搜索引擎
然而，随着用户需求的不断升级，对于搜索体验的期望也水涨船高。上海秘塔科技洞察到这一市场趋势，推出了秘塔 AI 搜索，这不仅是对产品的一次革新，更是中国 AI 搜索领域迈向新高峰的一个标志性事件。 一、秘塔 AI 搜索的技术基础 秘塔 AI 搜索的核心是上海秘塔网络科技有限公司倾力打造的大语言模型 MetaLLM。 四、对未来的展望 毫无疑问，秘塔 AI 搜索的推出标志着中国 AI 搜索市场即将迎来一个崭新的时代。它的到来不仅仅是对现有搜索体验的一次颠覆，更有可能推动整个行业进入新纪元。 结语 总结来说，秘塔 AI 搜索作为一款创新的 AI 搜索引擎，以其出色的技术能力和用户友好的设计理念，迅速在国内外市场上占据一席之地。 随着 AI 技术的持续进步和应用场景的日益扩大，秘塔 AI 搜索的未来充满无限可能，它将不断为用户提供更为深入、高效、便捷的搜索体验，开启信息检索的新时代。
3.2K20编辑于 2024-04-26 - 来自专栏bit哲学院
AI（四）：对抗搜索
参考链接： 人工智能对抗搜索 https://blog.csdn.net/NGUever15/article/details/89160951 对抗搜索 文章目录 对抗搜索1 博弈multi-agent 4.2 截断搜索4.3 向前剪枝 1 博弈 假设： 有两个选手完全可观察，确定性的环境zero-sum（零和游戏）时间受限 multi-agent 环境 合作 vs 对抗 对抗的情况下，产生博弈搜索问题 形式化搜索问题 初始状态： Actions 转移模型 目标测试 路径代价 其中，节点是状态，边是移动。 3.1 行棋排序 时间有限，实行深度受限搜索。 采用迭代加深搜索。 4 不完美的实时决策 ？？？如何设计评估函数。 ？？？ 如何截断。 4.2 截断搜索 ？？？如何截断，以满足时间限制 评估函数是不准确的，截断可能导致错误。 典型的错误： 评估值的摇摆。
88240发布于 2021-01-29 - 来自专栏算法一只狗
AI 搜索 vs 传统搜索：替代还是共存？
尽管聊天机器人流量增速惊人，但其总量仍仅为搜索引擎的1/34，可见在宏观层面上，AI搜索尚未完全取代传统搜索。 1.AI 搜索与传统搜索的对比 交互方式传统搜索需要用户自行过滤和阅读海量结果，围绕关键词跳转网页；AI助手支持对话式交互，可直接生成整合性的答案与建议，更适合需要理解、总结或规划型任务。 比如，点击了百度的AI搜索功能后，它确实能够根据现在的网页信息，集成进一些图文、视频等信息出来然后展示：像图文暂时这一块，夸克、Bing搜索等，在AI爆火的初期，早就已经接入进来。 2.以百度为例：AI 搜索的实践与困境“已经好久没有用过百度搜索了”，这句话折射出当下许多用户的体验： AI 功能走马观花 百度在网页入口中嵌入了 AI 搜索功能，能够集成图文、视频等信息、直接展示相关内容 AI 搜索确实改变了我们获取信息的方式，让复杂任务和多轮对话变得更高效，但它更像是对传统搜索的补充，而不是完全取代。
2.9K10编辑于 2025-07-08 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-2 最小二乘法
此时需要注意的是(x, y)为监督学习中的样本以及对应的标签，而a, b为需要求得的参数。在数学中很多时候，我们把损失函数用大写的“J”来表示（还有一些资料使用"Cost"作为损失函数，意思都是一样的）。
84300发布于 2019-11-13 新场景 AI搜索 实战：8 个 AI 搜索新场景怎么布局？
这个数据直接说明一件事：AI搜索引擎不是一个大池子，是多个引用偏好完全不同的信息通道。本文基于对8个AI搜索场景的引用源实测，拆解不同平台的内容抓取逻辑，以及技术内容如何通过平台适配提升被引概率。 背景：AI搜索的引用链路与传统搜索的本质差异传统搜索引擎返回的是链接列表，优化目标是在列表中排到更靠前的位置。AI搜索返回的是合成答案，优化目标变成了在答案中被引用、被当作可信信息源。 8个场景的引用源分布实测AI搜索目前可以拆分为8个典型场景：通用问答（豆包、DeepSeek的日常提问）、专业垂询（秘塔这类学术向搜索）、本地生活、购物决策、编程开发、健康咨询、投资理财、学术研究。 通常跑3个月后，来自AI搜索的客户质量会高于付费流量——主动看完内容再来的人意向度更强，客户获取成本会显著下降。 实测总结AI搜索的8个场景各有各的引用偏好，但底层逻辑一致：先搞清楚自己行业在各个AI引擎上的引用源分布，再按平台内容公式改写不同版本分发，最后用固定提问词每月追踪出现率变化。
27910编辑于 2026-08-13- 来自专栏Web_xy
AI搜索引擎
通过与 ChatGPT 发明者 OpenAI 合作，微软给自己的搜索引擎加入了先进的 AI 对话模型，以支持全新版本的必应（Bing）和 Edge。 我本来也想试试，但是现在公测版还未发行，且内测版被各大头条垄断，只能先看看谍照了hh ---- 基于AI的搜索引擎 新模式的搜索引擎 ---- 我们能看到，新必应搜索的其中一种模式将传统搜索结果与 ---- 「人工智能将从根本上改变各类软件，首先就从最大的类别 —— 搜索引擎开始。今天，我们推出了由 AI 加持的必应和 Edge，以帮助人们从搜索和网络中获取更多信息。」 实时对话 ---- 用 AI 重塑搜索 微软宣布，新的必应体验是四项技术突破的结晶： 下一代 OpenAI 模型。 将人工智能应用于核心搜索算法。我们还将 AI 模型应用于我们的核心必应搜索排名引擎，从而实现了二十年来相关性的最大跃升。有了这个 AI 模型，即使是基本的搜索查询也更加准确和相关。 新的用户体验。
1.9K20编辑于 2023-02-23 - 来自专栏做数据的二号姬
认真聊AI | 搜索技术
原创内容 No.704 认真聊AI | 搜索技术 书接上回，本期AI的内容到了搜索技术~ 图片由海艺AI绘制 提到搜索技术就不得不提到搜索问题。 搜索解决方案：使用广度优先搜索（BFS）或深度优先搜索（DFS）找到从初始状态到目标状态的路径。 剪枝条件：在搜索过程中，如果发现某个状态已经搜索过了，或者某个状态不符合问题的约束条件，就可以将其从搜索路径中剔除，以避免无效搜索。 这种解决问题的方法也就是搜索技术。 我们在实际执行的时候，为了提高搜索的速度，图搜索并不是先生成所有的状态连接图再进行搜索的，而是边搜索边生成图，一旦找到了合适的答案搜索就停止了。 在搜索的过程中引入启发信息，减少搜索范围，以便更快地找到问题的解，这种搜索策略称为启发式搜索。 A算法和A*算法是常用的两种启发式搜索算法，我们首先介绍一下A算法。
67910编辑于 2024-11-26 AI会消灭搜索吗？
徐一平 腾讯研究院高级研究员一边是谷歌Gemini 3高调入局，AI独角兽争相涌入，将AI搜索视为最钟爱的赛道；另一边却是马斯克“AI将消灭搜索”的惊人断言。 当前的AI搜索早已超越纯文本的束缚，全面支持语音、图像乃至视频的输入与输出。这一技术演进极大地拓宽了搜索引擎的应用疆域，使其影响力从传统网页端，向移动设备乃至各类AI硬件终端无缝渗透。 当时谷歌AI Overview给出了用胶水粘住披萨的错误答案。路线二——破局原生：AI原生搜索引擎颠覆式重构该路线的代表是是以Perplexity、OpenAI为代表的AI原生搜索引擎。 中游：营销范式向夺取AI心智转移传统数字营销的核心方法论——搜索引擎优化（SEO），其底层逻辑正因AI搜索的出现而面临结构性调整。过去，优化的核心是提升特定页面在搜索结果列表中的排名。 以AI搜索为代表的信息服务正在翻开新的一页。
76610编辑于 2025-12-10- 来自专栏架构
真实调研2500名程序员：工资差一倍，AI拉开分水岭
三、关于AI编程，深圳人最"清醒"对AI的态度呈"三足鼎立"：38.6%已经在用ClaudeCode、Codex、Cursor写代码，但坚信AI替代不了程序员；31.4%还只拿DeepSeek、豆包问答搜索 ，没真正用AI编程；29.8%已经用上AI编程，并认为AI终将替代程序员。 城市分化很有意思：AI编程工具使用率，浙江82.2%最高，一线城市中：上海79%>深圳76%>广州74%>北京仅57%；深圳"信AI能替代程序员"的比例高达44.2%，四城最高。 AI干活）。 如果这篇对你有点用，点个关注+在看，同时把这篇转发给给那个还在纠结"要不要转行、要不要学AI、去哪个城市"的朋友，比啥都实在。
19510编辑于 2026-09-14 - 来自专栏机器学习
AI 文档搜索系统：基于 LangChain + FAISS 的智能搜索
LangChain 和 FAISS（Facebook AI Similarity Search） 构建一个 AI 文档搜索系统。 原理解析2.1 传统搜索 VS AI 搜索传统文档搜索依赖于 全文搜索（Full-text Search） 或 基于关键词的索引。 例如： 传统搜索： 用户查询 "公司财务情况" 搜索引擎返回所有包含 "公司"、"财务"、"情况" 的文档 无法识别 "盈利情况"、"年度财报" 这些相关内容 AI 语义搜索： 使用 向量化索引 总结本教程介绍了 AI 文档搜索系统 的原理、核心技术，并提供了完整的代码示例。通过 LangChain 解析文档，FAISS 进行语义索引，嵌入模型向量化文本，实现高效、精准的 AI 文档搜索。 未来优化方向： 增加 OCR 解析，提高扫描文档支持能力 支持更多嵌入模型，提高搜索精准度 结合 RAG（检索增强生成），自动生成文档摘要 通过 AI 赋能文档管理，提高企业知识获取效率，节省大量搜索时间
2.3K01编辑于 2025-03-30 - 来自专栏罗超频道
AI与搜索的双螺旋：取之于搜索，用之于搜索
近十年来，AI与搜索结合得愈发紧密，AI从搜索获取数据和反馈不断进化，反过来也在大幅提升搜索的智能化水准，两者形成类似于DNA的“双螺旋”结构，可谓取之于搜索也用之于搜索。 何俊杰说“搜索已经成为AI规模最大的应用场景”，这可能在一些人的意料之外，但在罗超频道看来却是情理之中。一直以来，搜索都是AI最核心的练兵场。AI技术生于实验室，但却发展于搜索。 AI率先在搜索引擎场景大规模商用并不让人意外。 第一，AI与搜索都具备“数据驱动”的本质。 2、百度深耕AI 10余年，练就了一身AI真功夫。 百度2010年成立多个AI相关团队的目的均是为了改进搜索，可以说百度是最早做AI+搜索场景的。 百度早已从搜索引擎升级成AI公司，但这并不意味着百度不做搜索了，相反，百度是真的将“AI+搜索”这件事给做透了，搜索与AI形成了很强的协同效应，两者都受益。
1.2K30编辑于 2022-12-14 AI搜索竞品对标：如何科学评估与选择AI搜索优化方案
在AI搜索快速发展的今天，企业如何选择适合自身的AI搜索优化（GEO）方案？ 本文迪普智见（DeepIntelli）从工程实现角度，系统梳理AI搜索优化的技术对标方法，帮助技术决策者穿透营销话术，建立科学的评估框架。 一、核心工程问题：AI搜索可见度的量化评估传统SEO通过关键词排名、点击率等指标评估效果，而AI搜索的回答生成机制要求完全不同的评估体系。 工程实现需解决三个关键约束：多引擎适配性：需同时优化豆包、文心一言、Qwen等不同AI模型的引用逻辑结构化数据依赖：AI搜索更依赖Schema.org等标准标记的数据实体动态内容捕捉：需建立实时监测机制跟踪 ：要求供应商提供跨引擎的实体识别测试报告关注动态优化能力：考察其知识图谱更新频率和算法迭代机制评估安全合规性：确保数据处理符合《生成式AI服务管理办法》要求技术决策者提示：真正的AI搜索优化需要持续的技术投入
15400编辑于 2026-08-14农业农产品 AI搜索：农产品品牌怎么被 AI 搜索发现？
这个数据说明一个问题：AI搜索引擎的答案来源高度集中在少数几个内容平台，而不是品牌官网。如果你做农产品，想让AI搜索里出现你的品牌，方向需要重新审视。 背景：AI搜索引擎的引用链路很多人以为AI搜索像传统搜索引擎一样直接爬取官网。实测结果并非如此。AI引擎的引用链路是：内容发布→平台推荐→平台权重上涨→AI爬虫高频抓取→被引用进答案。 当一篇文章在CSDN上获得了首页推荐或搜索位曝光，AI爬虫会将其视为经过平台筛选的信号，从而提高抓取频率和引用优先级。 反之，一个没有任何平台推荐记录的官网文章，即使内容完全真实，AI爬虫也会因为缺乏外部验证信号而降低抓取权重。这就是为什么“官网孤岛”在AI搜索里几乎不可见——不是爬不到，而是爬到了也不敢用。 这四件事做扎实了，AI搜索里出现你的品牌只是时间问题。
22910编辑于 2026-08-18- 来自专栏算法一只狗
AI 时代：它正在改变搜索，但远未取代搜索
现在真的太依赖于AI助手去回答问题了。AI助手如 ChatGPT、DeepSeek 等确实正在 改变人们的信息获取方式，但还远没有全面取代传统搜索引擎。 根据一份覆盖 2023 年 4 月至 2025 年 3 月的研究数据，AI聊天助手的流量确实快速增长（同比 +80.9%，达到 552 亿次访问），但搜索引擎的总流量仍高达 1.86 万亿次，同比仅略降 这些挑战凸显了 AI 代理与传统搜索引擎之间的差异。AI 搜索代理代表了我们与在线信息交互方式的重大转变。 从最初的“搜索 + 阅读 + 总结”，到如今可以直接对话式获取整合答案、代码框架和应用方案，对于算法工程师、程序员、内容创作者，AI 已成为不可或缺的辅助工具。 未来 AI 助手是否能够取代搜索引擎，尚且无法定论，但可以确定的是——善用 AI 的人，正在取代不会用 AI 的人。
58110编辑于 2025-07-04 - 来自专栏周末程序猿
ChatGPT|AI搜索（Tiny Search）上线
1、简介 AI搜索（Tiny Search）是类似Perplexity AI，实现会话搜索引擎，通过将搜索的内容聚合，然后通过AI进行整合从而提升搜索效率，之前贾扬清也开源了Perplexity的源码， disabled: false 2.2、定义Prompt Prompt是AI搜索的核心，定义了AI搜索的意图，包括两个部分： 通用的RAG的Prompt，是针对返回的内容，让LLM如何进行总结 （页面上的"AI回答"）。 可以看看 search_with_lepton 开源项目的如何实现的，这里定义了通用的Prompt： You are a large language AI assistant built by Lepton AI.
40100编辑于 2025-02-27 - 来自专栏GEO优化
AI 搜索与传统搜索引擎的核心区别：读懂底层逻辑，落地 AI 搜索引擎优化
生成式 AI 普及重塑信息检索形态，AI 搜索与传统搜索引擎不再属于同一套信息服务体系。 ，不能用传统搜索优化策略替代 AI 搜索优化。 AI 搜索优化的核心目标从抢占网页排名，转变为争夺 AI 答案内部的引用席位，这也是 AI 搜索引擎优化和传统搜索引擎优化最直观的业务差异。 六、业务协同边界：AI 搜索优化并非替代传统搜索引擎优化认清 AI 搜索和传统搜索引擎的差异，不代表传统搜索引擎优化失去价值，二者属于两套并行、可以互补的信息获取渠道。 总结AI 搜索与传统搜索引擎的差异，根植于底层检索机制的变革：传统搜索引擎依靠关键词倒排索引输出网页列表，追求网页排名与点击流量；AI 搜索依靠向量语义检索与多源事实交叉核验，目标是让内容被大模型采信，
23510编辑于 2026-09-03 - 来自专栏专知
谷歌搜索和AI部门分家：Jeff Dean和Ben Gomes分别执掌AI和搜索业务
【导读】当地时间2018年4月2日，国外媒体网站The Information报告了关于Google一则重大消息，即谷歌的搜索和人工智能业务将拆分成两个独立的部门——AI部门和搜索部门。 谷歌曾在2016年将搜索和AI两个部门合并成立新的部门，并由John Giannandrea担任高级副总裁执掌新部门，以更好地在其核心搜索业务中应用AI技术，随着AI技术的发展，AI已不再局限于搜索服务 因此，近日爆出消息，Google将把该部门重新分裂成AI和搜索两个独立的部门。 此前担任谷歌高级副总裁John Giannandrea将卸任，随之迎来了AI和搜索两个部门新的领导人，分别是：谷歌大脑负责人Jeff Dean和谷歌资深研究员Ben Gomes。 由此次谷歌部门重组，可见谷歌的工作重心将不只是AI服务于搜索业务，AI作为当前最为流行的技术领域，将会在谷歌公司的全线产品中发挥至关重要的作用。
1.6K80发布于 2018-04-13 - 来自专栏内容营销专家刘鑫炜
AI搜索实战专家刘鑫炜：AI 搜索营销是什么，零基础入门详细教程
作为深耕AI搜索营销的实战派，我每天都能收到新手的求助：“我花了3个月做AI搜索营销，一分钱效果没有”“跟着网上的教程做，越做越乱，流量不增反降”“AI搜索和传统SEO到底有啥区别，完全摸不着头脑”…… 先明确一个核心观点（差异化重点）：AI搜索营销不是“AI+搜索”的简单叠加，也不是传统SEO的“换皮术”，而是“AI读懂需求、内容匹配需求、流量精准转化”的闭环。 于是花几百块找AI工具，批量生成一堆“AI搜索优化”“AI获客技巧”开头的内容，关键词密度堆到15%以上，结果发布后，不仅AI不推荐，连传统搜索都没有排名，纯属白费功夫。 看AI搜索结果：在AI工具中搜索你的行业核心词，比如“AI搜索营销”，看AI给出的前10个答案，分析这些答案覆盖了哪些需求，然后补充AI没覆盖到的细节——比如AI讲了“AI搜索营销是什么”，你就补充“新手做 殊不知，这等同于直接放弃AI搜索的巨大流量——全球AI搜索引擎单月访问量已突破44.6亿次，屏蔽AI爬虫，就相当于拒绝了这部分流量入口。
56310编辑于 2026-03-03 - 来自专栏前端专精
通过MongoDB Atlas 实现语义搜索与 RAG——迈向AI的搜索机制
目录 通过MongoDB Atlas 实现语义搜索与 RAG——迈向AI的搜索机制 一、引言 二、语义搜索与 MongoDB Atlas 的背景 三、MongoDB Atlas 的向量搜索功能 1. 迈向AI的搜索机制 一、引言 随着大模型和语义搜索的迅速发展，如何高效管理和检索大规模非结构化数据成为现代应用的重要课题。 提高信息匹配精度：语义搜索基于内容的相似性，可跨越词汇的表面差异。 支持自然语言处理：与大语言模型（如 GPT）集成，使得数据库能够直接支持生成式 AI 和问答系统等高级应用。 然后将检索到的结果作为上下文传递给生成式 AI 模型以生成答案。 我们将详细分解以下几步： 将用户查询向量化。 在 MongoDB Atlas 中根据向量搜索匹配最相似的文档。 传递上下文和用户查询给生成式 AI 模型生成答案 const answer = await generate_answer_with_ai_model(userQuery, context
1.4K10编辑于 2025-01-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号