“ 搜索技术既是一项独立的技术，也是rag技术的基础。”

最近了解到一个新技术，当然这个新技术是对作者来说，其技术已经存在一段时间了；它就是深度搜索技术——deep search。

作者最近一段时间主要从事的方向是rag和agent领域，然后这几天突然了解到深度搜索这项技术，然后就很好奇它和rag有什么区别和联系。

deep search和rag

学习一项新技术，我们首先要搞明白这个技术是干啥的，它有什么用，因此先不纠结其概念。

顾名思义，从名称上来看deep search 叫深度搜索，简单理解就是一种搜索技术；与传统的搜索方式对比，其核心在于深度两个字。

说到搜索技术，其存在的时间不是一年两年了，从计算机出现之后搜索就是一个一直存在的课题；或者说在计算机出现之前搜索技术就已经存在了，只不过形式不同而已。

所以，这个所谓的深度搜索和传统的搜索技术有什么区别呢？

其实深度搜索技术是在人工智能爆火之后提出的一个新技术名词，其本质上是传统搜索技术与人工智能技术的一个结合。

传统的搜索技术主要使用的是关键词匹配技术，适合精确查询；而深度搜索是基于语义的深层理解，适合复杂意图查询。

从目标上来说，传统搜索和深度搜索没有太大区别；都是为了更加准确的检索到用户需要的信息；但其有各有侧重点，传统搜索主要用来保证召回率，而深度搜索主要用来提升准确率和用户体验；技术不同，但目标相同。

现在了解了深度搜索的基本情况，那么作者就好奇了，它和检索增强生成又有什么区别？

核心概念对比

维度	Deep Search	RAG
目标	找到最相关的信息	生成准确的答案
输出	搜索结果列表	自然语言回答
技术核心	检索算法优化	检索+生成融合
用户交互	用户需要自行筛选	直接获得答案

从目标上来看，深度搜索的侧重点是搜索结果，而rag的侧重点却是增强生成。

深度搜索的目的是把与用户问题相关的内容准确的展示给用户；而rag检索增强的目的，是根据检索回来的结果来让大模型进行更好的生成，减少幻觉问题。

所以，从这点也可以看出其实深度搜索和检索增强生成是有共同点的，那就是深度搜索技术可以作为rag技术的检索模块，用来更准确的检索回相关数据。

因此，深度搜索常见的应用场景主要有搜索引擎，站内搜索，商品搜索等；而rag主要的应用场景是智能客服，多轮对话，专业问答等。

实际项目中的选择考量

选择 Deep Search 当：

• 用户需要看到原始信息源
• 查询结果具有主观性，需要多角度信息
• 涉及时效性、权威性等多维度评估
• 用户有信息筛选能力

选择 RAG 当：

• 用户希望直接获得答案
• 需要跨文档的综合理解
• 问题涉及复杂的推理链条
• 面向非专业用户群体

总结

• Deep Search：更注重检索的广度、深度和质量控制
• RAG：更注重检索后的理解、推理和答案生成

两者不是替代关系，而是互补的技术范式，在很多实际应用中会结合使用。

如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】