Sign in Subscribe

【AI大補帖】ChatGPT search全面原理解析：原來AI也可以自由探索網路

ChatGPT Search 透過 RAG 架構，把語意解析、即時網路檢索（Bing）與生成式模型串在一起。流程分三步：1 將使用者問題轉成可搜尋的關鍵詞；2連網擷取最新資料；3摘要與重組資訊後輸出答案。因而能即時回答商品推薦、天氣、行程規劃等時效性需求，讓 ChatGPT 從「只靠訓練記憶」升級為真正會上網找資料的智慧助理。

【AI大補帖】ChatGPT search全面原理解析：原來AI也可以自由探索網路

Chatgpt search 功能是讓chatgpt不只可以透過歷史訓練資料來對答，還可以透過獲得網路上的最新資料，最近功能越來越強不只有可以索引網路上的資料，更可以協助使用者來查詢天氣、股票、新聞、以及旅途規劃，在2025年4月28日還更新了購物搜尋功能，使用者只要輸入需求以及價位，就會給予商品推薦

在範例中，我們會去詢問“有哪一台義式濃縮咖啡機的味道最接近義大利人喝的咖啡並且在200美金以下"，ChatGPT就會推薦幾台咖啡機一併給予購買連結。

如何從chatgpt做商品推薦購買

二、核心架構：ChatGPT Search 是怎麼運作的？

引用自Dr Julija-「How I built a Simple Retrieval-Augmented Generation (RAG) Pipeline」

ChatGPT Search 的運作核心，建構於一種稱為 「檢索增強生成」（Retrieval-Augmented Generation, 簡稱 RAG）的 AI 架構之上。這種架構將兩種不同任務的技術進行整合：一是「生成式語言模型」，負責自然語言的理解與回答；另一是「外部知識檢索系統」，負責提供最新或特定領域的資訊來源。

傳統的語言模型（如 GPT-3 或 GPT-4）只能依賴訓練時期所學的資料來生成回答，這代表它無法回答訓練後才發生的事件、更新的價格、即時的天氣、或小眾網站內容。為了解決這個限制，ChatGPT Search 導入了即時檢索能力，讓模型可以在回答問題時，動態查詢網路上的真實資料，進而提升準確性與時效性。

這套架構的流程可以拆解為三個層次：

  1. 語意解析與查詢建構（Semantic Query Generation）模型會先解析使用者輸入的語句，理解背後的問題語意與需求，再將這些語意轉換成可以送出給搜尋引擎的查詢詞（例如「台北 梅酒 禮盒 客製化」）。
  2. 外部搜尋與資訊擷取（External Retrieval）查詢詞會送往第三方搜尋引擎（目前為 Bing），系統會取得前幾筆搜尋結果，並擷取其標題、摘要與網址等資料。這些結果會先經過預處理，濾除低品質或與問題無關的內容。
  3. 資訊融合與回應生成（Response Composition）模型不會直接複製搜尋結果文字，而是會根據取得的資料進行摘要、重組與語境適配。這包括判斷哪些資訊最能回答使用者的問題、補足上下文語意、用自然語言統整成清晰回覆。

透過這種架構，ChatGPT 不再只是依賴記憶的回答者，而成為一位能「查得到」、「看得懂」、「說得清楚」的智慧助理。它能夠根據最新的網路資訊，結合語言理解與表達能力，提供兼具知識性與實用性的對話式回應，這也是生成式 AI 向現實應用邁進的重要一步。

ChatGPT search連網搜尋流程三步驟

為了回答使用者並提供、即時資訊，ChatGPT 結合語意理解與搜尋整合機制，透過三個步驟實現高品質的資訊檢索與回覆

1.整理使用者搜尋語意 → 產生搜尋詞

將使用者輸入的自然語言問題轉換成結構化且搜尋引擎可理解的查詢語句，彌補原本搜尋引擎無法理解的自然語言。

  • 主要動作
    • 解析語句中的核心語意與任務目標（如：想購買、推薦、比較、客製化等）
    • 從句子中自動擷取關鍵資訊，包括：
      • 地點詞（如「台北」、「信義區」）
      • 產品類別（如「日本酒」、「梅酒」、「禮盒」）
      • 需求詞彙（如「哪裡買」、「推薦」、「客製」）
  • 處理範例
    • 使用者輸入：「我想在台北買客製化日本酒禮盒，有推薦的店嗎？」
    • 轉換後搜尋語句：台北 日本酒 禮盒 客製 推薦

2.呼叫第三方搜尋引擎（Bing）取得資料

透過第三方的搜尋引擎，取得最相關的網頁資訊，補足訓練資料太舊的問題。

  • 主要動作
    • 發送搜尋 API 請求，查詢上一步產生的關鍵詞
  • 搜尋策略
    • 優先保留高品質資訊來源：
      • 官方網站（例如店家官網、品牌頁）
      • 媒體與內容平台（新聞報導、部落格）
      • 商業資料庫（Google Maps、Facebook、商業登錄網）
    • 自動過濾：
      • 廣告頁面
      • 非相關或點擊誘導型內容（Clickbait）
      • 重複或過時資訊

3.分析並整理搜尋結果

將原始搜尋結果進行語意分析、整合與精簡，使資訊結構化並具參考價值，最終生成清晰、可行的回答。

  • 主要動作
    • 語義摘要處理：
      • 擷取網頁中最具代表性的段落（如首段、商品介紹、店家資訊）
      • 自動判斷哪一段回應了使用者問題
    • 資訊結構化：
      • 萃取實用資訊欄位，如：
        • 服務特色（如可客製、現場選購）
        • 價格區間
        • 門市地址與區域（如大安區、中山區）
        • 官方網站連結或聯絡方式
  • 輸出樣式：
    • 條列式整理
    • 地理建議（如「離捷運站最近的 3 間店」）
    • 補充資訊

參考資訊：

https://help.openai.com/en/articles/9237897-chatgpt-search

How I built a Simple Retrieval-Augmented Generation (RAG) Pipeline?
What’s RAG in LLMs
MediumDr Julija

https://platform.openai.com/docs/bots