AI 搜索个人玩家，3 天独立开发上线！

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。