Google 讓 RAG 變得前所未有地簡單：全新 File Search 工具震撼登場

發布于 2025-11-18 07:39

瀏覽

0收藏

如果你曾嘗試自己搭一套 RAG（Retrieval-Augmented Generation，檢索增強生成），你大概懂那種痛：要管理 embeddings（向量嵌入）、vector databases（向量數據庫）、把文本正確地 chunking（切分），還得確保一切能和你的模型順暢協作、又不至于燒錢。

好吧，Google 直接把這攤麻煩全給你搞沒了。

他們悄悄地在 Gemini API 里_推出了全新的 File Search Tool，由它來替你處理 RAG 的所有繁瑣工作_。你把文件丟進去，提出問題，它就把剩下的事都搞定。

Google 讓 RAG 變得前所未有地簡單：全新 File Search 工具震撼登場-AI.x社區

圖片來源 - Google

這玩意兒是什么？

本質上，File Search 讓 Gemini 能“理解”你的數據。你可以上傳 PDF、DOCX、純文本、JSON，甚至代碼文件。當你向 Gemini 提問時，它不會瞎猜——而是檢索你上傳的文件，定位相關部分，并據此作答。

就像把你的私人“腦庫”直接接到 Gemini 上。無需單獨的 vector database、無需 retrieval pipeline（檢索管線），也沒什么需要你運維的。

就是：文件進，答案出。

很便宜，真的很便宜

這點著實讓我意外。你不為查詢或存儲付費；只在一個時刻付費——當你索引文件的時候。

用 gemini-embedding-001 模型創建 embedding 的費用是每 100 萬 tokens 收費 0.15 美元。和用 Pinecone 或 Weaviate 自己搭一整套管線相比，簡直不值一提。

之后，你可以隨便、無限次查詢這些文件。

它到底怎么運作

File Search 會自動完成文件的 chunking、生成 embeddings、存儲與檢索，并把上下文注入到你的 Gemini 提示詞中，從而把 RAG 簡化到底。

這一切都在你已經在用的 generateContent API 調用里完成。

當你發起查詢時，它會在幕后用最新的 Gemini Embedding 模型執行一次 vector search（向量搜索）。因此它理解的是“語義”，而不只是關鍵詞。

更棒的是：Gemini 的回答會包含 citations（引用）——明確標出來源的文件和具體位置。你可以點進去核實。再也不用猜模型是不是在幻覺了。

用例：Beam 的極速游戲生成

早期測試方之一 Phaser Studio，把 File Search 用在他們的 AI 驅動游戲平臺 Beam 上。

他們有一個包含 3000 多個文件的資料庫——模板、代碼片段、設計文檔和其他內部數據。File Search 讓他們可以在不到 2 秒內查詢整庫。過去要手工查同樣的信息，得花上_好幾個小時_。

他們的 CTO Richard Davey 如此總結：

“過去要用幾天才能打樣的點子，如今幾分鐘就能玩上手。”

相當瘋狂。

一個簡短的 Python 示例

上手不需要太多代碼。看這個簡單示例：

from google import genai
from google.genai import types
import time

client = genai.Client()
store = client.file_search_stores.create()
upload_op = client.file_search_stores.upload_to_file_search_store(
    file_search_store_name=store.name,
    file='path/to/your/document.pdf'
)
while not upload_op.done:
    time.sleep(5)
    upload_op = client.operations.get(upload_op)
response = client.models.generate_content(
    model='gemini-2.5-flash',
    cnotallow='Summarize the research on sustainable AI.',
    cnotallow=types.GenerateContentConfig(
        tools=[types.Tool(
            file_search=types.FileSearch(
                file_search_store_names=[store.name]
            )
        )]
    )
)
print(response.text)
grounding = response.candidates[0].grounding_metadata
sources = {c.retrieved_context.title for c in grounding.grounding_chunks}
print('Sources:', *sources)

就是這樣。上傳文件、提出問題、拿到帶來源的答案。搞定。