腾讯憋了个大招，就这？

腾讯首次公开内部AI搜索机制 出品｜虎嗅黄青春频道 作者｜商业消费主笔 黄青春 题图｜虎嗅拍摄 虎嗅独家获悉，腾讯即将发布一款面向 C 端用户的 AI 搜索引擎，界面极简、全面 AI 化，强化权威信源排序，会将 AI 问答与网页搜索揉在同一体验里。而就在两周前，腾讯云已针对 B 端客户发布“元宝搜索”（前身为联网搜索），其在内部业务低调运行数年，如今扛着 AI 搜索重担被推到了聚光灯下。 据腾讯内部人士向虎嗅透露，这款 C 端搜索引擎与元宝 APP 内置搜索、腾讯云“元宝搜索”API 共享同一套底层能力，即在面向浏览器与网页搜索场景时，三者本质是同一套能力在不同入口下的产品化呈现。 目前，元宝搜索提供 Skill、MCP 和 API 三种接入方式，凭邀请码限时在10月、11月最高可调用 6000 次；接入流程也简单：在腾讯云拿到 API Key，打开终端敲一条 curl 命令即可发起请求。 这不免让人好奇：腾讯在搜索赛道深耕十余年，为什么偏偏等到现在才把这套能力升级成云服务对外卖？ 很大程度上源于，百度稳坐国内搜索头把交椅已超二十年；腾讯兜兜转转十余年，做过 SOSO、收购搜狗、上线微信搜一搜、再到元宝 APP，始终没在 C 端撕开实质性缺口。眼下，腾讯借 Agent 爆发的东风，自然会对 B 端搜索基础设施摩拳擦掌。 据虎嗅了解，元宝搜索团队 2024 年年中与元宝 APP 同步组建，整合了 QQ 浏览器、搜狗搜索的核心技术基因，把腾讯十余年的搜索算法积累与工程经验，重构为一套面向 AI 时代的搜索基础设施。 在此之前，这套能力只服务于 QQ 浏览器和搜狗：前者曾长期是超级流量入口，后者稳居第二梯队，体量不容小觑；如今 Agent 赛道爆发， 搜索正从面向 C 端的产品入口，下沉为所有 AI 应用的底层能力，标准化搜索 API 的需求快速扩容。 基于此，腾讯不再满足于只服务内部业务和存量客户，顺势将元宝搜索升级为云服务对外变现。从这个角度看，元宝搜索的开放，与其说是战略新局，不如说是看见赛道热度后，把现成技术资产快速推向市场的务实之举。 腾讯首次公开内部AI搜索机制 腾讯云副总裁、元宝搜索研发负责人马晋把搜索划分为三个时代：1.0 是人输关键词、人筛结果；2.0 是大模型读结果、生成答案； 3.0 是 Agent 拆解子问题、搜索返回结构化结果支撑推理。 具体而言，搜索 1.0 是关键词时代，舞台中央是百度和谷歌。腾讯折腾了十余年，做 SOSO、全资收购搜狗，始终没能在 PC 与移动市场坐稳 TOP 阵营。 到搜索 2.0 的大模型时代，百度推出文心一言、字节推出豆包、OpenAI 上线带联网功能的 ChatGPT，大模型与搜索深度融合成为主流。腾讯推出元宝 APP 应战，将大模型和搜索能力绑在一起，但元宝始终定位为 C 端 AI 助手，即便长成 MAU 过亿的 Chatbot，与豆包的 MAU 仍有差距，没能在搜索赛道建立起足够话语权。 大步迈入搜索 3.0 的 Agent 时代，腾讯不再执着于硬刚 C 端入口，转而将 AI 搜索押注在 B 端基础设施赛道。腾讯公布了一组元宝搜索的运营数据：数千亿级索引规模，覆盖 13 个垂直行业、157 个权威信源，全网覆盖率 96%；已全面支撑 WorkBuddy、ima、腾讯金融科技、腾讯视频等 50 余个内部核心业务， 日均调用数亿次。 马晋从认知、算法、架构、内容四个维度，向虎嗅拆解了元宝搜索的技术升级路径。 先看最直观的规模数据。官方公布的索引指标为：日增 50 亿网页、可检索文档 500 亿、向量索引超 1500 亿，这一规模在行业里不算最大；但中文索引覆盖率做到 95%，重点垂直领域接近 100%， 意味着元宝搜索没有盲目追规模，而是将权重压在优质内容和垂直领域的收录上。 再看被反复强调的 157 个权威信源，合作方覆盖携程、美团、京东、大众点评、汽车之家等头部平台。其实这个点有点虚，因为这类商务合作不具备排他性，元宝搜索今天能拿到的合同，别家明天也能靠商务谈判拿到。 真正值得拿出来说的是自有内容：元宝搜索已接入腾讯视频、腾讯医典、腾讯自选股，未来不排除进一步打通微信生态——这才是其他家望而却步的价值所在。 更关键的是，马晋在回应“打不开的网页如何处理”时坦言：“如果网站设了反爬就不收录，这是尊重对方的知识产权。” 换言之，真正高价值、设置反爬机制的内容，元宝搜索同样无法通过通用检索获取，只能逐家洽谈合作。 所以，掰开元宝搜索的核心技术逻辑仍是数据飞轮+ Agent 协同+ Trace Debug。马晋将其形容成“用 AI 去找 AI、用 AI 去升级搜索”，本质是让大模型辅助搜索数据的标注、清洗与迭代，这是全行业的标配方向，几乎所有头部搜索团队都在做，并非腾讯独有的技术差异化。 虎嗅与两位技术专家沟通发现，元宝搜索算法升级采用三阶段训练范式：Label Agent 标注、Teacher Model 学习、Student Model 蒸馏。这套流程是大模型排序领域的标准蒸馏流水线，在学界和工业界已落地两年有余，业界共识蒸馏的真正壁垒在 Teacher Model 的基底质量、标注数据的规模厚度，以及 Student Model 在精度与延迟之间的平衡，而这些决定效果的细节，元宝搜索发布时并未给出具体佐证。 据虎嗅了解，腾讯搜索实际用 Gist 技术省下的成本超过 30%，原理是把文档的 gist token KV Cache 缓存下来，不同 query 召回同一文档时直接复用；即便 query 长尾分布，召回排序后的文档仍有聚集效应—— 在元宝搜索的混合排序场景里，文档命中率约 85%，节省相当可观。 不过，这一效果高度依赖缓存命中率，网页无法全量存储，只有热门页会被缓存，长尾页仍需实时算。官方没公布具体命中率，而搜索请求天然符合长尾分布—— 这意味着真实平均成本节约，大概率低于 30% 的理论上限。 此外，官方公布的召回率、覆盖率、延迟、满意度等关键指标，全部来自腾讯内部评测，缺乏公开 Benchmark 与可复现测试集。以响应速度为例，官方称升级后核心链路响应时间压到 300ms 以内（此前约 400–500ms）。 虎嗅认为，Agent 多轮调用场景下延迟会被成倍放大，把单次耗时压下来，是终端体验的关键。从实测看，真实网络环境下连续 5 次调用延迟在 345–485ms 之间波动（平均约 420ms），峰值与最低值相差 60%——要知道，对支撑高并发 Agent 的基础设施而言，延迟波动的危害远大于平均延迟；至于跨地域、突发流量等极端生产场景的表现，目前尚无任何公开数据。 即便，对复杂检索基座而言上述成绩已具备可用性，但对追求极致稳定的企业级客户，如何抹平长尾延迟、扛住极端流量，是元宝搜索接下来必须向市场证明的下一道难题。 也就是说，腾讯云闷头憋的元宝搜索，本质是把传统搜索时代沉淀的成熟管线，用大模型思维重做了一遍底层，并在腾讯内部真实业务里完成验证。据虎嗅了解，已有多家头部大模型公司和外部企业接入，但在问及具体名单时，元宝搜索团队以“涉密”为由拒绝透露。 好在马晋回应“无法回避的技术瓶颈”时说了一句实话：“其实就是 Trade