小红书AI搜索“问一问”：从“逛”到“聊”，一场LLM掀起的“社区革命”！

TL;DR：

小红书的AI搜索正在上演一场大变身！不再是简单的“搜内容”，而是要用大模型（LLM）和RAG技术，让你直接“问AI要答案”。这不仅能让你的“避雷指南”更精准，也预示着小红书正在努力从一个“种草社区”进化成一个能提供“智能定制服务”的AI生活管家，尽管前路“坑”也不少！

最近，科技圈的目光又一次聚焦在了那个“遇事不决小红书”的App上。当大家还在忙着研究AI Agent、多模态这些“高大上”的概念时，小红书已经悄悄把这些“黑科技”搬进了自家的搜索框，玩起了“从搜内容到问AI”的华丽变身。而这场“变形记”的幕后推手之一——小红书AI搜索负责人高龑，将在QCon上海大会上亲口揭秘，这波操作到底有多“秀”！

告别“大海捞针”！小红书AI搜索要“问”出个未来？

想象一下，你以前在小红书搜“周末去哪儿玩”，出来的可能是一堆笔记，美图、攻略、踩坑点，琳琅满目，眼花缭乱。这就好比进了图书馆，书是不少，但你得自己一本本翻。而现在呢？小红书想让你直接“问”它，比如“上海周末有哪些适合带娃的室内活动？”然后，AI就能像个“金牌导游”一样，直接给你总结出：哪个公园有特色、哪个商场有儿童乐园、甚至是哪家餐厅对亲子友好，还会告诉你交通怎么走、有没有优惠活动……这，就是从“搜内容”到“问AI”的本质升级。

高龑大佬直言，大模型（LLM）的出现，简直就是给搜索界开了个“外挂”。它不仅催生了RAG、Deep Research、Agentic AI这类“AI原生”的搜索新范式，彻底改变了我们“找东西”的习惯，更把传统搜索里那些“老掉牙”的机器学习系统（比如查询理解、召回、排序）都给“盘活”了。这哪是升级？这简直是“返老还童”啊！

当然，这些“骚操作”可不是随便说说。高龑这次在QCon大会上，不仅会分享小红书AI搜索产品“问一问”的技术实践，还会细致讲解大模型是如何在工业级搜索系统里“打工”，从理解你的“天马行空”问题（QP），到精准捞出相关内容（召回），再到排序呈现在你眼前，每一个环节都力求做到“滴水不漏”。

硬核技术大揭秘：LLM和RAG到底在“搞什么名堂”？

说到AI搜索，不得不提LLM和RAG这对“黄金搭档”。LLM，全称大型语言模型，你可以把它理解成一个“百科全书+超级大脑”的结合体。它不仅知识渊博，还能像人一样理解你的“言外之意”，甚至帮你推理、总结。以前的搜索，你输关键词，它就给你匹配关键词。现在，你问一个概念，它能理解背后的“意思”，然后给你“举一反三”。

而RAG（检索增强生成）¹，这个听起来有点拗口的技术，简直就是LLM的“最佳拍档”。简单来说，它就像给LLM请了一个“私人图书管理员”。当LLM遇到不懂的问题时，这个“图书管理员”（检索器）会迅速从海量的知识库（比如小红书的万亿条笔记）里找出最相关的“资料”，然后再把这些“资料”喂给LLM，让它生成更准确、更丰富的答案。

“在RAG（检索增强生成）这个概念正式诞生之前，它的“原型”或“老前辈”早就存在了，它就是开放域问答（Open-Domain QA）系统。”¹

—— 这话一出，瞬间感觉RAG也有点“历史底蕴”了，不是突然冒出来的“愣头青”。

Google搜索资料里提到，Transformer架构的出现，让计算机能够“通读整段话，理解每个词在当前语境下的确切含义”¹，这直接催生了“密集检索”（Dense Retrieval），也就是不再匹配关键词，而是匹配“意思”。小红书的AI搜索，就是要把这种“语义搜索”的能力发挥到极致。想想看，你搜“适合油性皮肤的美白产品”，AI不再是简单罗列产品，而是理解“油性皮肤”和“美白”背后的深层需求，甚至能分析评论区里那些“排队太久”、“服务变差”的碎碎念，是不是瞬间感觉AI懂你？²

更厉害的是，小红书还玩起了“Agent+Workflow”架构³。这可不是简单的问答，而是一个能够“边想边干”的智能体。它能精准捕捉用户需求，融合多模态能力（比如你上传一张狗狗把家里搞得一团糟的照片，它能识别出是边牧，然后给你出谋划策如何避免宠物乱咬东西），打造新一代AI搜索的“心脏”。

“问一问”和“点点”：小红书的AI搜索“宫心计”？

小红书在AI搜索这条路上，也经历过一番“摸着石头过河”的探索。从“达芬奇Agent”到“搜搜薯”，再到“点点”，最后是现在我们看到的“问一问”，产品形态一直在迭代，背后藏着小红书对“AI搜索如何与用户习惯结合”的反复思考。

“点点”作为独立的AI搜索产品，虽然也有“实时整合UGC信源、连评论都能抓到”的“神操作”，甚至能让你“哪里不会点哪里”地延展搜索²，但下载量一度“遇冷”，可见独立App的“求生之路”并不好走⁴。

而“问一问”⁴，则更像是吸取了经验教训后的“集大成者”。它直接内嵌在小红书App的搜索入口，更聚焦于“客观问题的事实答案”和“复杂决策的社区经验总结”。这无疑是想发挥小红书最大的王牌——海量的优质UGC（用户生成内容）。毕竟，“Perplexity们都眼馋的能力”，就是小红书沉淀下来的，那些从美妆穿搭到旅游攻略、从美食探店到家居改造的，真实、场景化、体验式的内容。小红书日均搜索量已近6亿次，这块“大蛋糕”谁看了不眼馋？²

但硬币的另一面是，AI搜索和社区属性之间，也正在上演一场“相爱相杀”。当AI直接给出格式化、总结性的答案时，那些习惯了真实用户反馈的“小红薯”们，会不会觉得“少了点人情味”？AI的快速回答，会不会让用户“懒得”去沉浸式浏览笔记，从而影响社区最重要的互动和内容价值？² 这可真是个“灵魂拷问”！

高龑在QCon上提出的痛点也相当“扎心”：AI技术选型、回答效果、算力开销与响应时间，这简直是“不可能三角”啊！[^rss_snippet] 想要“又快又好又便宜”，这在现实世界里，往往是个“奢望”。

未来展望：AI搜索，是“社区外挂”还是“流量C位”？

小红书AI搜索的未来，无疑充满想象。它不仅要解决技术上的“不可能三角”，更要在大模型带来的效率提升与社区特有的“真实感”、“人情味”之间找到微妙的平衡。是让AI搜索成为社区的“超级工具人”，还是让AI搜索成为小红书下一个“流量C位”，甚至重构整个内容消费的体验，这都是摆在小红书面前的“大考”。

无论如何，小红书的这次“LLM进化之路”，都给我们展示了内容社区在AI时代如何破茧成蝶的无限可能。说不定哪天，你的小红书就不只是一个“种草机”，而是一个能跟你“谈笑风生”、帮你解决各种生活难题的“智能闺蜜”了呢！

---

引用

• 小红书
• AI搜索
• LLM
• RAG
• 问一问