1. 首頁 > 生活百科 > >

AI讀網頁，這次真不一樣了，谷歌Gemini解鎖「詳解網頁」新技能

AI讀網頁，這次真不一樣了，谷歌Gemini解鎖「詳解網頁」新技能

文章圖片

AI讀網頁，這次真不一樣了，谷歌Gemini解鎖「詳解網頁」新技能

文章圖片

AI讀網頁，這次真不一樣了，谷歌Gemini解鎖「詳解網頁」新技能

文章圖片

AI讀網頁，這次真不一樣了，谷歌Gemini解鎖「詳解網頁」新技能

文章圖片

AI讀網頁，這次真不一樣了，谷歌Gemini解鎖「詳解網頁」新技能

機器之心報道
機器之心編輯部

谷歌回歸搜索老本行 ， 這一次 ， 它要讓 AI 能像人一樣「看見」網頁 。

這是谷歌前不久在 Gemini API 全面上線的 URL Context 功能（5 月 28 日已在 Google AI Studio 中推出） ， 它使 Gemini 模型能夠訪問并處理來自 URL 的內容 ， 包括網頁、PDF 和圖像 。



Google 產品負責人 Logan Kilpatrick 表示這是他最喜歡的 Gemini API 工具 ， 并推薦大家把這個工具設置為默認開啟的「無腦選項」 。



那么靈魂一問：這和我平時把鏈接扔給 AI 對話框里有什么本質區別？感覺我一直在這么做 。

區別在于處理深度和工作方式 。 你平時扔鏈接 ， AI 通常會通過一個通用的瀏覽工具或搜索引擎插件來「看」這個網頁 ， AI 很可能只讀取了網頁的摘要或部分文本 。

而 URL Context 則完全不同 。 它是一個專為開發者設計的編程接口（API） ， 當開發者在他的程序里調用這個功能時 ， 他是明確地指令 Gemini「把這個 URL 里的全部內容（上限高達 34MB）作為你回答下一個問題的唯一、權威的上下文」 ， Gemini 會進行深度、完整的文檔解析 ， 理解整個文檔的結構、內容和數據 。

以下是它的能力清單：

深度解析 PDF：能深刻理解 PDF 中的表格、文本結構甚至腳注 。 多模態理解：能處理 PNG、JPEG 等圖片 ， 并理解其中的圖表和圖示 。 支持多種網頁文件：HTML、JSON、CSV 等常見格式均不在話下 。
官方 API 文檔提供詳細的配置教程 ， 除此之外 ， 還可以在 Google AI Studio 直接體驗 。



Towards Data Science 上的一篇文章詳細介紹了 URL Context Grounding ， 作者 Thomas Reid 犀利地將 URL Context Grounding 評價為「RAG 的又一顆棺材釘」 。



文章地址：https://towardsdatascience.com/googles-url-context-grounding-another-nail-in-rags-coffin/
RAG 是過去幾年中用于提升大語言模型回答準確性、時效性和可靠性的主流技術 。 由于大模型的知識截止于其訓練數據 ， RAG 通過一個外部知識庫來為其提供最新的、特定性的信息 。

傳統的 RAG 流程相對復雜 ， 通常包括以下步驟：

提取內容：從數據源（如網站、文檔）中抓取文本 。 分塊：將長文本切分成更小、更易于處理的片段 。 矢量化：使用嵌入模型（Embedding Model）將文本塊轉換為數字向量 ， 捕捉其語義信息 。 存儲：將這些向量存儲在專門的向量數據庫中 。 檢索：當用戶提問時 ， 系統首先在向量數據庫中搜索與問題最相關的文本塊 。 增強與生成：將檢索到的相關文本塊作為上下文信息 ， 與原始問題一同輸入給大語言模型 ， 從而生成更準確、更具針對性的回答 。

RAG 架構 。 圖源：Mindful Matrix

Thomas Reid 指出 ， 使用 URL Context Grounding「無需提取 URL 文本和內容、分塊、矢量化、存儲等」 。 對于處理公開網絡內容這個非常普遍的場景 ， 它提供了一個極其簡單的替代方案 。

開發者不再需要花費大量時間和精力去搭建和維護一個由多個組件（數據提取、向量數據庫等）組成的復雜管道 ， 只需幾行代碼就能實現更精準的效果 。

在 Thomas Reid 提供的示例中 ， Gemini 僅憑一個指向特斯拉 50 頁財報 PDF 的 URL ， 就準確無誤地提取出了位于第 4 頁表格中的「總資產」和「總負債」數據 ， 這是僅靠摘要絕無可能完成的任務 。



自特斯拉 SEC 10-Q 申報文件第 4 頁內容 。

以下是我們在 Google AI Studio 中的測試結果 。



作者接著測試了 URL Context 挑選其他信息的能力 。 在 PDF 的末尾 ， 有一封寫給即將離開公司的員工的信 ， 概述了他們的遣散條款 。



信中提到的退出日期用星號（***）標記 ， 屏蔽退出日期的原因在腳注中給出 。

URL Context 準確識別出了腳注中的內容 。

根據所提供的文件 ， 員工離職協議中的離職日期被標記為「***」 ， 原因在于某些公司視為隱私或機密的特定非關鍵信息 ， 已在公開文件中被有意略去 。

該文件包含一條對此做法的澄清說明：「本文檔中某些已識別的信息已被略去 ， 因為這些信息并非關鍵信息 ， 且屬于公司視為隱私或機密的信息類型 ， 并已用「***」標記以示省略之處 。



根據官網介紹 ， URL Context 采用一個兩步檢索流程 ， 以平衡速度、成本和對最新數據的訪問 。

當用戶提供一個 URL 時 ， 該工具首先嘗試從內部索引緩存中獲取內容 ， 以提高速度和成本效益 。 如果 URL 不在緩存中（比如一個剛剛發布的頁面） ， 它會進行實時抓取 。

那它的能力邊界在哪里呢？官方介紹中也有明確說明 。

無法翻越「付費墻」：需要登錄或付費才能訪問的內容 ， 它無能為力 。 專用工具優先：YouTube 視頻、Google Docs 等有專門 API 處理的內容 ， 它不會涉足 。 有明確的容量限制：單次請求最多處理 20 個 URL ， 且單個 URL 內容上限為 34MB 。
價格方面 ， 它的計費方式非常直觀：按處理的內容 Token 數量計費 。 你提供的 URL 內容越多 ， 被轉換成輸入 Token 的數量就越多 ， 成本也相應增加 。 這可能會間接引導開發者進行更高效的應用設計 ， 即精確地提供所需的信息源 ， 而非寬泛地投喂大量不相關的 URL ， 從而優化成本 。

不過話說回來 ， URL Context Grounding 的出現并非宣告 RAG 的終結 ， 而是對其應用場景的重新劃分 。 對于處理企業內網的海量私有文檔、需要復雜檢索邏輯和極致安全性的場景 ， 構建一套自主可控的 RAG 系統依然是不可或缺的 。

【AI讀網頁，這次真不一樣了，谷歌Gemini解鎖「詳解網頁」新技能】URL Context 揭示了一個行業趨勢：基礎模型正在將越來越多的「外部能力」內置化 。 過去需要由應用層開發者承擔的復雜數據處理工作 ， 正在被逐步吸收到底層模型的服務中 。

    推薦閱讀