今天,特工女巫将为大家带来 ThinkAny,这是一款由个人独立开发但小而美的 AI 搜索产品,一起看看它的产品功能设计和技术实现。
ThinkAny 是 idoubi 在 3 月 19 号正式上线的 AI 搜索网站,从开始开发到交付,前后只用了一共 3 天的时间。
官网地址:https://thinkany.ai/
其产品定位是一个新时代的人工智能搜索引擎,利用 RAG 技术检索和聚合高质量的内容,结合人工智能的智能回答功能,高效地回答用户的问题。
它的主要特征包括:
- 增强的集成:通过 GPT 4、Claude 3 和 Gemini 集成,通过聊天提供更快、更精确的答案。
- 提升创造力:清晰易懂的大纲和有效的学习和研究思维导图确实有助于改进组织。
- 社区支持:Twitter、Discord 和 Reddit 都可以发布新问题或发起讨论。
首先,进入 ThinkAny 的首页,页面的上下布局清晰简洁;上方有简洁的标志和 slogan,传达了 AI 搜索的核心价值和功能;搜索框位于页面中央,让用户快速识别、进行搜索;下方列出了一些搜索示例,可为用户提供启发,也显示了可能覆盖的多种主题领域。
在搜索框输入问题后,进入搜索问答的结果页。页面的左侧是 AI 生成的搜索结论内容,而右侧是参考资料的展示区;
搜索加载过程动态之后,首先出现的是包括标题、favicon、网址和相关描述摘要的 sources,每个 source 都有序号,并有对应的文内引用,使学术专业性和指引感更强,有助于用户跟踪和比较不同的参考信息,直观、迅速地判断内容的相关性、来源;
内容总结紧随其后,用户可以一目了然地看到搜索问题的回答总结,以及对应的信息来源,极大地提高了搜索的效率和可信度;
页面底部还设有引导输入框,方便用户提出跟进问题,跟进问题将以用户和 ThinkAny 多轮对话的交互形式展开。
除此之外,更备受海内外用户好评的,是 ThinkAny 在搜索内容总结方面的 outline 和 mindmap 功能,它们为用户提供了清晰的大纲框架和自动生成的思维导图;尤其在工作、学习等专业场景中,能够满足用户对结构化、逻辑性、直观可视信息的需求,帮助用户提高信息处理的效率,带来更好的体验。
在多语言问题上,ThinkAny 支持英文、中文、日语、韩语、俄语、法语、德语、阿拉伯语,加之 ThinkAny 相比 Perplexity 的框架和脑图的差异点,这为其在 X、ProductHunt 等海外社媒平台赢得了良好的自然流量与海外用户好评。
在设计风格上,ThinkAny 整体十分简洁干净,符合搜索产品的调性以及用户人群的特点,操作上的清晰指引让用户使用时能有条理、放心可控;ThinkAny 还支持浅色/深色模式切换,提供了在夜间环境下更舒适的视觉体验。
ThinkAny 通过 GPT 4、Claude 3 和 Gemini 的集成,以及对 RAG 技术的创新利用,通过无缝集成先进的检索和聚合功能,提高搜索信息来源的多样性和生成内容的准确度。具体有 4 步实现方法:
- 调用 Google 搜索引擎API或无头浏览器获取 search_n 条搜索结果,返回 URL / title / description;
- 根据 is_ranking 参数,对 search_n 条搜索结果进行 reranking,返回 URL / title / description / score,并行 embedding、存储 vector database,用相似度匹配计算 score 和降序排序;
- 根据 is_detail 参数,对 reranking 后的 search_n 条搜索结果,并行获取内容详情,返回 URL / title / description / score / content,用 detail_top_k 参数指定只获取 score 排名前 k 条 URL 对应的网页内容详情;
- 根据 is_rematch 参数,对有 content 的搜索结果重新向量化,获取 query 匹配的 match_top_k 个数据块,使用数据块的 URL / title / description / content 拼凑 context,并行 embedding 更新 vector database,用相似度匹配的数据块拼凑内容 context。
此外,ThinkAny 运用的RAG 技术结合了检索和生成两种方法的优点:
1. 通过检索,能够访问到大量的外部知识,增强模型的知识储备和回答问题的能力;
2. 通过生成,能够产生流畅自然的文本,适应各种不同任务需求。因此十分适用于问答、摘要、文本补全等需要大量背景知识支持的应用场景。
而在前不久,idoubi 单独开源了他一天写完的 RAG-Search API 项目。
项目地址:https://github.com/thinkany-ai/rag-search;
这使用了 Google 搜索引擎加上 Zilliz 向量数据库,实现联网数据的召回 retrieval 和重排 reranking,获取搜索结果链接的详细内容,并通过向量相似度匹配过滤内容。
idoubi 认为,在 LLM 的普遍 long text 时代到来之前,RAG 的检索优化有很重要的意义,所以这一 RAG Search API 有助于帮做 AI Search Engine / Chatbot 的开发者们实现更好的 Search / Chat 效果。
而谈及独立开发,idoubi 有全面的前后端开发能力和对 AI 技术熟练的应用能力,以及优秀的产品思维和设计审美,这些素质使得他能以极高的效率快速落地一款高质量产品。
ThinkAny 的产品分析到这里就结束了,如果你好奇 idoubi 更多的产品开发经历,可以点击阅读原文访问他的即刻主页。最后,别忘了关注特工宇宙、欢迎多多点赞在看、转发收藏。
本文来源于公众号 特工宇宙 ,作者特工女巫
发评论,每天都得现金奖励!超多礼品等你来拿
登录 后,在评论区留言并审核通过后,即可获得现金奖励,奖励规则可见: 查看奖励规则