AI搜索在实验室里是个优等生，一到真人手里就露怯。不管ChatGPT还是Claude，你给它们喂精确得像SQL语句的需求，它们能给你排出花来；可一旦用户只会说“帮我找点那种……你懂的”这类模糊意图，所有前沿模型集体翻车。最新测试很残酷：在贴近真实对话场景的VibeSearchBench上，七个顶尖模型的最佳F1分数只有30.30。这不是某家算法的失误，而是整个搜索范式正在暴露其骨子里的脆弱——我们长期用“明确查询、单轮交互、固定格式”的温室标准养大了这些AI，却误以为它们已准备好面对真实世界的荒野。分数落差背后，是评测体系与真实用户行为之间一道深不见底的裂缝。
实验室高分是温室幻觉
明确查询养出的假把式
现有基准测试的潜规则，是把用户当成会写prompt的工程师。查询被预先消化成高度明确的命题，就像把开卷考试的范围提前圈好，模型只需要在既定边界内做信息搬运。这种评测养出的能力很畸形：模型擅长在单轮对话里对号入座，却从未学过如何面对一个连主语都含糊的需求。你把“推荐2024年适合初学者的Python笔记本”扔给它，它侃侃而谈；但真人更可能说“我想学编程，有什么电脑不太贵还够用”——没有品牌，没有预算数字，甚至没有明确把Python说出口。这种意图模糊性才是搜索的日常，而现有基准恰好把它过滤得干干净净。更讽刺的是，这种过滤让研究者和创业者都产生了幻觉，以为搜索问题已经基本解决，剩下的只是工程调优。
单轮交互相形见绌
更隐蔽的缺陷是交互假设。传统评测默认用户一次性把需求倒干净，然后模型一次性给答案，对话结束。真实场景里，搜索是场拉锯战。用户先抛出一个粗略的“vibe”，模型需要嗅出缺口，再用追问去剥洋葱。少了这轮来回，AI给的答案要么太宽变成信息垃圾场，要么太窄漏掉用户自己都没意识到的真实动机。现有基准把多轮协同这一环直接砍掉，等于让模型参加了一场缺了半张卷子的考试，分数当然好看，能力当然失真。那些被津津乐道的SOTA结果，很大程度上是评测设计套利的产物。当整个行业在这些基准上你追我赶，真正决定用户体验的对话式搜索能力反而成了无人区。
VibeSearch：把“vibe”焊进工程
两百个任务撕开灰度地带
研究团队干脆掀桌，提出了VibeSearch范式。它不再假装用户是搜索引擎优化专家，而是直面那种“我说不清，但你帮我找找”的原始状态。配套发布的VibeSearchBench包含200个手工策划的双语任务，横跨20个领域，切成专业与日常生活两个子集。这些任务故意保留需求的毛边：可能是一句没头没尾的感叹，也可能是一个场景化但零散的描述。它们考验的不是模型读题能力，而是主动意图澄清的嗅觉——你得先帮用户搞清楚他到底要什么，才能开始找答案。这种设计把搜索从“解题”还原成了“问诊”，模型不再只是检索工具，而是必须具备初步的诊断思维。200个任务量不大，但每一道都是精心设计的陷阱，专门捕捉那些在标准基准里被掩盖的认知盲区。
评估框架模拟真人撕扯
为了把主观感受变成硬数据，研究者搭了一套用户模拟器配合图匹配框架。模拟器扮演那个“说不清楚的普通人”，模型必须通过多轮对话去逼近目标，图匹配则负责量化这轮对话究竟离真实解决需求有多远。这相当于给搜索评测装上了动态血压仪，不再只看终点答案对不对，而是全程监测交互质量。固定格式的评估被扔进垃圾桶，取而代之的是对话轨迹的精细解剖。这种评估很苛刻，但它第一次让“AI懂不懂我”从玄学变成了可复现的实验指标。尤其值得玩味的是双语设计，它暗示跨语言模糊搜索的复杂性远超预期，不同文化背景下的意图表达方式会让模型的澄清策略面临更复杂的变量。
30.30分，全军覆没
长程推理不只是记性好
测试结果像一盆冰水。七个前沿模型在VibeSearch任务上全线溃败，最佳F1仅30.30，连及格线都摸不着。这个分数拆解开来更刺眼：模型们在长期上下文推理上暴露出结构性软肋。多轮对话不是简单的记忆力游戏——不是你把前几轮说的话背下来就行——而是要在对话流中不断重组假设、修正方向、识别用户新抛出的约束条件。很多模型记性好，脑子却转不动，第三轮就开始自说自话，把用户已经否定的方向又捡起来炒冷饭。这种上下文推理断裂直接决定了它们在真实搜索场景里没法用。30.30的峰值也意味着，即便是最强的模型，在面对需要持续维护对话状态的搜索任务时，也只是在碰运气，而非真正掌握了一套系统性的推理方法论。
会追问比会回答更重要
更致命的短板是主动性。现有模型被训练成优秀的应答者，用户问A，它们答A，最多补充个A+。但VibeSearch要求它们成为优秀的探查者：在信息不足时敢于追问，在方向偏离时及时纠偏，在用户含糊时敢于下赌注式澄清。七个模型里，几乎没有谁展现出像样的主动意图激发能力。它们要么过度猜测，一次性倾倒海量信息把用户淹没；要么过于保守，把反问当成烫手山芋，宁愿给出一个模棱两可的安全答案。搜索的本质从来不是单向投递，而是双向奔赴，这点在测试里被放大得淋漓尽致。如果说长程推理是硬件缺陷，那主动追问的缺失就是软件层面的基因病——它们从一开始就没被训练成会提问的智能体。
搜索产品该换底层逻辑了
当“懂你”成为硬指标
VibeSearchBench的30.30分不是终点，而是一记发令枪。它说明当前AI搜索的瓶颈不在索引有多大、模型参数量有多少，而在产品哲学层面。我们一直在优化“精准匹配”的效率，却忽略了“精准”的前提是意图已经清晰。真实世界里，意图是协同生成的。模型必须接受一个事实：用户第一次开口时，说出来的往往只是需求的冰山一角，甚至是一座错的冰山。把模糊意图处理从边缘补丁提升为核心能力，是下一轮搜索产品甩开同质化竞争的唯一出口。这意味着产品经理要重新画流程图，工程师要重写核心模块，甚至整个技术栈的优先级都需要推倒重来。继续堆砌向量数据库的维度或预训练数据的token量，只是在旧战场上徒劳地深挖壕沟。
从精准匹配到协作探查
范式迁移的迹象已经很明显。未来的搜索智能体不该是图书馆检索员，而该是坐在你对面的研究助理——会接话茬，会挑刺，会在你跑偏时把你拉回来。这要求架构层面做根本性的重新设计：对话管理模块的权重必须提升，推理链条要天然支持多轮迭代，奖励函数得把“追问质量”和“答案质量”放在同一天平上。那些还在单轮准确率上卷生卷死的团队，可能正在优化一条即将沉没的航路。VibeSearch揭示的真相很直白：用户要的不是一个更快的搜索引擎，而是一个能陪他理清思路的智能体。谁先把这层窗户纸捅破，谁就能拿到下一代搜索的入场券。当多轮协同搜索成为默认选项，整个行业才会从“更快的马”跃迁到“汽车”时代。
