RAG被判死刑：Google用一行API架空工程師！

新智元報道

編輯：傾傾

【新智元導讀】Google宣判RAG死刑！那條曾讓無數工程師自豪的技術鏈，如今只剩下一行API調用。Gemini的File Search，把檢索、分塊、索引、引用，全都封進了模型內部。開發者不再需要理解流程，只需要上傳文件。當智能被自動化吞并，工程師第一次發現，自己也成了被自動化的一部分。

在過去幾年里，RAG是工程師的底氣。

他們手動切塊、生成向量、建立索引，再把檢索到的內容精準拼進prompt。

那是一整套細膩又繁瑣的工程活，只有真正懂這些流程的人，才敢說自己「會用大模型」。

而現在，這份驕傲被一行API抹平了。

Gemini的File Search上線后，上傳一個PDF或JSON，模型就能自動完成分塊、檢索、引用，甚至附上來源。

File Search 抽象化了整個檢索流程。

這句話像一把鋒利的刀，切掉了人和系統之間最后一點鏈接。

AI不再需要工程師去教它查資料，而工程師，也開始被自己的發明優化掉。

從流程到函數：Google一刀切掉RAG工程鏈

Gemini的File Search發布后，RAG從工程系統變成了API內置能力。

上傳文件，模型自動完成分塊、embedding（向量化）、索引、檢索與引用，全部在同一接口內完成，無需自建向量庫或維護檢索邏輯。

多格式支持也被一次性打通：PDF、DOCX、TXT、JSON，以及常見代碼文件可直接解析和嵌入，快速搭建統一知識庫。

這讓開發者能快速構建完整的知識庫，而不必再為文件類型或結構做額外適配。

在更新說明中，它被定義為：

一個完全托管的RAG系統，已直接嵌入Gemini API，檢索流程被徹底抽象化。

開發者不再需要設計chunk策略或索引結構，系統會在后臺自動完成所有環節。

Gemini File Search工作流程：上傳文件→自動生成embedding→調用Gemini檢索并生成答案→輸出含引用結果

定價被改成了「輕入口」：查詢時的存儲與embedding生成免費；只在首次索引按$0.15/百萬tokens計費，這讓部署與擴容的邊際成本趨近于零。

這意味著搭建知識檢索的成本幾乎降為零，RAG的技術門檻也隨之被平臺吸收。

File Search的邏輯：RAG嵌進API

File Search的核心不在能不能搜，而在隱藏整條檢索鏈。

在過去，想讓模型基于外部資料回答問題，必須自己搭一套RAG流程：

先把文件切成小塊，再用embedding模型把每塊轉成向量，存入向量數據庫；當用戶提問時，再檢索最相關的片段，把結果塞進prompt里生成回答。

Ask the Manual演示應用程序由Gemini API中的全新文件搜索工具提供支持

整個過程需要維護數據庫、管理索引、調參、拼接prompt，每一步都依賴工程師。

而現在，這一切被放進了Gemini API的底層。

上傳文件，系統自動完成分塊、embedding與索引；提問時，調用同一個generateContent接口即可，Gemini會在內部完成語義檢索與上下文注入，并在回答中自動生成引用。

甚至使用的是專門的gemini-embedding-001模型，確保檢索與生成的語義空間完全一致

上傳一份關于現代i10的文檔并詢問「什么是現代i10？」。Gemini會檢索相關段落，撰寫有理有據的答案，并顯示支持該答案的來源。

更重要的是，File Search改寫了開發邏輯。

開發者不再需要額外部署數據庫，也不需要維護檢索管線；整個過程只在一次調用中完成。

這意味著，RAG從一個獨立系統變成了一個參數。

過去要幾百行代碼才能跑通的流程，現在是一行配置。官方示例調用如下：

)

當所有檢索、存儲、注入、引用都自動完成，工程師再也不用理解系統怎么找到答案。

File Search讓RAG從一套需要掌握的知識，變成一項被調用的功能。

那一刻，技術不再是一種能力，而成了一種選項。

被搶走工作的工程師

File Search的上線，不只是一次工具升級，而是一場角色遷移。

它讓系統具備了自我構建的能力——能夠自動切塊、索引、檢索、引用。

過去，理解這些邏輯是工程師的價值所在；現在，這種理解被徹底隱藏。

在早期接入里，Beam（Phaser Studio）的變化最直觀：

他們把File Search接進內容生產線，用來檢索模板、組件與設計文檔；每天上千次查詢跨越六個語料庫，兩秒內合并結果。

CTO ichard Davey的說法是：

過去幾天的工作，現在幾分鐘就能出結果。

這當然是生產力的進步，但也意味著——工程師失去了對系統的解釋權。

當檢索策略、引用邏輯、甚至數據結構都由平臺控制，工程不再是搭建系統，而是調用系統。

從外部看，這只是少寫幾百行代碼；但從內部看，這是知識密度被平臺吸收的瞬間。

當復雜被隱藏，人也隨之變得可替換。

權力的遷移：從工程師到平臺

File Search的出現，真正重塑的不是開發體驗，而是權力結構——它讓理解系統的人從工程師變成了平臺。

在傳統的RAG流程中，工程師擁有對系統的掌控權。

他們能決定怎樣分塊、怎樣索引、怎樣檢索，也能解釋模型為什么會給出某個答案。

這份掌控感來自于可見性——他們看得見每一步的邏輯。

File Search把可見的工程步驟收進了不可見的API。

檢索策略、索引結構、引用規則被托管在云端，開發者只看得到答案，看不到過程

這意味著知識注入的權力正在集中：模型基于哪些段落回答、忽略了哪些證據、如何權衡檢索結果，均由平臺決定。

工程師不再「構建系統」，而是「調用系統」。

這并非孤例。OpenAI的Custom GPTs、Anthropic的Console、以及Gemini的File Search，都在把復雜度下沉到平臺底層，讓開發更容易，也更受控。

每一次抽象化，都是一次權力集中。

File Search的誕生，讓AI開發進入了零配置時代：

人不再需要理解模型，只需調用模型；平臺不再提供能力，而是直接提供結果。

這場變化沒有任何戲劇性的沖突，卻徹底改變了技術的邊界。

當系統自己搭建系統，個人的理解被替代為對平臺的信任。

File Search并沒有「殺死」RAG，它只是把RAG變成了系統的血液。

復雜被隱藏，權力被集中；工程師要做的，是在更高一層的封裝里，找到新的入口。

參考資料：

https://blog.google/technology/developers/file-search-gemini-api/

https://x.com/frxiaobei/status/1990091775382602021?s=20

https://medium.com/%40abdulkadir9929/gemini-apis-new-file-search-tool-built-in-rag-for-everyone-e990c054dcff

秒追ASI?點贊、轉發、在看一鍵三連?點亮星標，鎖定新智元極速推送！