拆解：智谱的「深度推理/多步搜索」

AI 通常怎么错

当你问 AI 一个问题，如：「今年诺贝尔物理学奖获得者 其中年轻的那位的出生地的今日天气」

通常情况下，AI 会给出错误答案，比如下面这个

很显然：这个答案是错的。实际上，AI 只检索到了获奖者的出生地，而天气纯靠猜。

---

AI 为何会犯错

看过之前文章（看完这篇，你也能做 AI 搜索：论「结构化输出」）的朋友都知道，AI 搜索实际上包含以下的固定流程：

• 意图识别：将用户的提问，转化成一个搜索字段；

• 联网检索：通过必应等工具，找到这个字段的对应信息

• 整合回答：将找到的信息，连同用户的提问，一起返回给用户
  

而在上面的例子中，细细分析请求步骤，如下：

• 意图识别：识别意图为「2024年诺贝尔物理学奖获得者 年轻者 出生地 2024年10月10日 天气」

• 联网检索：搜索结果如下，发现关注点只在「诺贝尔物理学奖获奖者是谁」

• 整合回答：由于缺少对应的天气信息，答案只能靠猜

---

AI 如何纠错

但实际上，我们期待一种怎样的 AI 搜索呢？

联网搜索，并支持多步检索（比如智谱清言里的这个智能体）

https://chatglm.cn/main/gdetail/659e54b1b8006379b4b2abd6?lang=zh

这时候我们看到，搜索的路径变了，成了：

• 任务规划：将用户的提问，一个思考框架：如需解决某一问题，应步骤一、二、三、四...

• 任务执行：每一具体步骤，需分别获得哪些信息（将重复多次）：

• 意图识别：将步骤任务，转化成搜索任务

• 搜集信息：通过搜索引擎，尝试搜集相关信息

• 反思&调整后续：判定当前任务是否完成

• 如完成：继续后面步骤

• 如无法完成：换一种方式尝试完成

• 整合回答：将找到的信息，连同用户的提问，一起返回给用户

具象一点，在「今年诺贝尔物理学奖获得者 其中年轻的那位的出生地的今日天气」这个任务中，问题被拆解成了：

• 尝试搜集获奖者信息

• 搜索：年诺贝尔物搜索2024年诺贝尔物理学奖获得者的信息

• 尝试找到最年轻者的出生地

• 搜索：搜索John J. Hopfield和Geoffrey E. Hinton的出生地

• 查询出生地的当日天气

• 搜索：搜索芝加哥和伦敦的今日天气

• 总结上述信息

• 2024年诺贝尔物理学奖的两位获得者是约翰·J·霍普菲尔德（John J. Hopfield）和杰弗里·E·辛顿（Geoffrey E. Hinton）。其中，杰弗里·E·辛顿是较年轻的获奖者，他出生于1947年12月6日，出生地是英国伦敦：

• 天气状况：大部多云

• 最高气温：14°C风向

• 风速：东南偏南风，风速为15到30公里/小时
  

---

深度推理，是重要的

之前拆结果 o1：

• 150 行代码，复刻「草莓」，青春版支持联网

• 独家信息：关于 o1 的 20 个真相

o1 很强，但也有一些不够好的地方，比如：除了部分代码场景，并不实用

比如：不能联网，不能运行代码，等等。这些是问题，也是实打实的用户痛点。

智谱的这个更新，更类似「perplexity pro」，但更强大&实用。

ingFang SC";font-size: medium;text-align: center;display: inline-block;border-radius: 10px;border-width: 0.5px;border-style: solid;border-color: gray;"/>

0. 免费，不限量：这个很重要

1. 单次可以支持超过 100个 网页的并发搜索：针对用户的问题，可同时检索超过100个网页，并基于此生成答案

2. 多级推理的思维链：能够解决日常生活中绝大多数的困难问题。

3. All Tools：在联网搜索和多级推理的过程中，调用python等工具，多方位解决问题（非常重要）。在处理项目的过程中，同时完成图像生成、代码执行、数据分析等多种复杂任务，自动调用代码解释器进行复杂的数学计算或文件处理、生成图表和PPT等格式的文件。

比如，在下面的场景中，综合了联网、列表格和代码处理：