免费炒股配资
新智元报道
编辑：倾倾
【新智元导读】Google 宣判 RAG 死刑！那条曾让无数工程师自豪的技术链，如今只剩下一行 API 调用。Gemini 的 File Search，把检索、分块、索引、引用，全都封进了模型内部。开发者不再需要理解流程，只需要上传文件。当智能被自动化吞并，工程师第一次发现，自己也成了被自动化的一部分。
在过去几年里，RAG 是工程师的底气。
他们手动切块、生成向量、建立索引，再把检索到的内容精准拼进 prompt。
那是一整套细腻又繁琐的工程活，只有真正懂这些流程的人，才敢说自己「会用大模型」。
而现在，这份骄傲被一行 API 抹平了。
Gemini 的 File Search 上线后，上传一个 PDF 或 JSON，模型就能自动完成分块、检索、引用，甚至附上来源。
File Search 抽象化了整个检索流程。
这句话像一把锋利的刀，切掉了人和系统之间最后一点链接。
AI 不再需要工程师去教它查资料，而工程师，也开始被自己的发明优化掉。
从流程到函数：Google 一刀切掉 RAG 工程链
Gemini 的 File Search 发布后，RAG 从工程系统变成了 API 内置能力。
上传文件，模型自动完成分块、embedding（向量化）、索引、检索与引用，全部在同一接口内完成，无需自建向量库或维护检索逻辑。
多格式支持也被一次性打通：PDF、DOCX、TXT、JSON，以及常见代码文件可直接解析和嵌入，快速搭建统一知识库。
这让开发者能快速构建完整的知识库，而不必再为文件类型或结构做额外适配。
在更新说明中，它被定义为：
一个完全托管的 RAG 系统，已直接嵌入 Gemini API，检索流程被彻底抽象化。
开发者不再需要设计 chunk 策略或索引结构，系统会在后台自动完成所有环节。
Gemini File Search 工作流程：上传文件→自动生成 embedding →调用 Gemini 检索并生成答案→输出含引用结果
定价被改成了「轻入口」：查询时的存储与 embedding 生成免费；只在首次索引按 $0.15/ 百万 tokens 计费，这让部署与扩容的边际成本趋近于零。
这意味着搭建知识检索的成本几乎降为零，RAG 的技术门槛也随之被平台吸收。
File Search 的逻辑：RAG 嵌进 API
File Search 的核心不在能不能搜，而在隐藏整条检索链。
在过去，想让模型基于外部资料回答问题，必须自己搭一套 RAG 流程：
先把文件切成小块，再用 embedding 模型把每块转成向量，存入向量数据库；当用户提问时，再检索最相关的片段，把结果塞进 prompt 里生成回答。
Ask the Manual 演示应用程序由 Gemini API 中的全新文件搜索工具提供支持
整个过程需要维护数据库、管理索引、调参、拼接 prompt，每一步都依赖工程师。
而现在，这一切被放进了 Gemini API 的底层。
上传文件，系统自动完成分块、embedding 与索引；提问时，调用同一个 generateContent 接口即可，Gemini 会在内部完成语义检索与上下文注入，并在回答中自动生成引用。
甚至使用的是专门的 gemini-embedding-001 模型，确保检索与生成的语义空间完全一致
上传一份关于现代 i10 的文档并询问「什么是现代 i10？」。Gemini 会检索相关段落，撰写有理有据的答案，并显示支持该答案的来源。
更重要的是，File Search 改写了开发逻辑。
开发者不再需要额外部署数据库，也不需要维护检索管线；整个过程只在一次调用中完成。
这意味着，RAG 从一个独立系统变成了一个参数。
过去要几百行代码才能跑通的流程，现在是一行配置。官方示例调用如下：
response = client.models.generate_content ( model='gemini-2.5-flash',contents='What does the research say about ...',config=types.GenerateContentConfig ( tools= [ types.Tool ( file_search=types.FileSearch ( file_search_store_names= [ store.name ] ) ) ] ) )
当所有检索、存储、注入、引用都自动完成，工程师再也不用理解系统怎么找到答案。
File Search 让 RAG 从一套需要掌握的知识，变成一项被调用的功能。
那一刻，技术不再是一种能力，而成了一种选项。
被抢走工作的工程师
File Search 的上线，不只是一次工具升级，而是一场角色迁移。
它让系统具备了自我构建的能力——能够自动切块、索引、检索、引用。
过去，理解这些逻辑是工程师的价值所在；现在，这种理解被彻底隐藏。
在早期接入里，Beam（Phaser Studio）的变化最直观：
他们把 File Search 接入内容生产线，用来检索模板、组件与设计文档；每天上千次查询跨越六个语料库，两秒内合并结果。
CTO ichard Davey 的说法是：
过去几天的工作，现在几分钟就能出结果。
这当然是生产力的进步，但也意味着——工程师失去了对系统的解释权。
当检索策略、引用逻辑、甚至数据结构都由平台控制，工程不再是搭建系统，而是调用系统。
从外部看，这只是少写几百行代码；但从内部看，这是知识密度被平台吸收的瞬间。
当复杂被隐藏，人也随之变得可替换。
权力的迁移：从工程师到平台
File Search 的出现，真正重塑的不是开发体验，而是权力结构——它让理解系统的人从工程师变成了平台。
在传统的 RAG 流程中，工程师拥有对系统的掌控权。
他们能决定怎样分块、怎样索引、怎样检索，也能解释模型为什么会给出某个答案。
这份掌控感来自于可见性——他们看得见每一步的逻辑。
File Search 把可见的工程步骤收进了不可见的 API。
检索策略、索引结构、引用规则被托管在云端，开发者只看得到答案，看不到过程
这意味着知识注入的权力正在集中：模型基于哪些段落回答、忽略了哪些证据、如何权衡检索结果，均由平台决定。
工程师不再「构建系统」，而是「调用系统」。
这并非孤例。OpenAI 的 Custom GPTs、Anthropic 的 Console、以及 Gemini 的 File Search，都在把复杂度下沉到平台底层，让开发更容易，也更受控。
每一次抽象化，都是一次权力集中。
File Search 的诞生，让 AI 开发进入了零配置时代：
人不再需要理解模型，只需调用模型；平台不再提供能力，而是直接提供结果。
这场变化没有任何戏剧性的冲突，却彻底改变了技术的边界。
当系统自己搭建系统，个人的理解被替代为对平台的信任。
File Search 并没有「杀死」RAG，它只是把 RAG 变成了系统的血液。
复杂被隐藏，权力被集中；工程师要做的，是在更高一层的封装里免费炒股配资，找到新的入口。
华林优配提示：文章来自网络，不代表本站观点。
热点资讯
