AI读网页，这次真不一样了，谷歌Gemini解锁「详解网页」新技能

谷歌回归搜索老本行，这一次，它要让 AI 能像人一样「看见」网页。

这是谷歌前不久在 Gemini API 全面上线的 URL Context 功能（5 月 28 日已在 Google AI Studio 中推出），它使 Gemini 模型能够访问并处理来自 URL 的内容，包括网页、PDF 和图像。

Google 产品负责人 Logan Kilpatrick 表示这是他最喜欢的 Gemini API 工具，并推荐大家把这个工具设置为默认开启的「无脑选项」。

那么灵魂一问：这和我平时把链接扔给 AI 对话框里有什么本质区别？感觉我一直在这么做。

区别在于处理深度和工作方式。你平时扔链接，AI 通常会通过一个通用的浏览工具或搜索引擎插件来「看」这个网页，AI 很可能只读取了网页的摘要或部分文本。

而 URL Context 则完全不同。它是一个专为开发者设计的编程接口（API），当开发者在他的程序里调用这个功能时，他是明确地指令 Gemini「把这个 URL 里的全部内容（上限高达 34MB）作为你回答下一个问题的唯一、权威的上下文」，Gemini 会进行深度、完整的文档解析，理解整个文档的结构、内容和数据。

以下是它的能力清单：

• 深度解析 PDF：能深刻理解 PDF 中的表格、文本结构甚至脚注。

• 多模态理解：能处理 PNG、JPEG 等图片，并理解其中的图表和图示。

• 支持多种网页文件：HTML、JSON、CSV 等常见格式均不在话下。

官方 API 文档提供详细的配置教程，除此之外，还可以在 Google AI Studio 直接体验。

Towards Data Science 上的一篇文章详细介绍了 URL Context Grounding，作者 Thomas Reid 犀利地将 URL Context Grounding 评价为「RAG 的又一颗棺材钉」。

• 文章地址：https://towardsdatascience.com/googles-url-context-grounding-another-nail-in-rags-coffin/

RAG 是过去几年中用于提升大语言模型回答准确性、时效性和可靠性的主流技术。由于大模型的知识截止于其训练数据，RAG 通过一个外部知识库来为其提供最新的、特定性的信息。

传统的 RAG 流程相对复杂，通常包括以下步骤：

• 提取内容：从数据源（如网站、文档）中抓取文本。

• 分块：将长文本切分成更小、更易于处理的片段。

• 矢量化：使用嵌入模型（Embedding Model）将文本块转换为数字向量，捕捉其语义信息。

• 存储：将这些向量存储在专门的向量数据库中。

• 检索：当用户提问时，系统首先在向量数据库中搜索与问题最相关的文本块。

• 增强与生成：将检索到的相关文本块作为上下文信息，与原始问题一同输入给大语言模型，从而生成更准确、更具针对性的回答。

RAG 架构。图源：Mindful Matrix

Thomas Reid 指出，使用 URL Context Grounding「无需提取 URL 文本和内容、分块、矢量化、存储等」。对于处理公开网络内容这个非常普遍的场景，它提供了一个极其简单的替代方案。

开发者不再需要花费大量时间和精力去搭建和维护一个由多个组件（数据提取、向量数据库等）组成的复杂管道，只需几行代码就能实现更精准的效果。

在 Thomas Reid 提供的示例中，Gemini 仅凭一个指向特斯拉 50 页财报 PDF 的 URL，就准确无误地提取出了位于第 4 页表格中的「总资产」和「总负债」数据，这是仅靠摘要绝无可能完成的任务。

自特斯拉 SEC 10-Q 申报文件第 4 页内容。

以下是我们在 Google AI Studio 中的测试结果。

作者接着测试了 URL Context 挑选其他信息的能力。在 PDF 的末尾，有一封写给即将离开公司的员工的信，概述了他们的遣散条款。

信中提到的退出日期用星号（***）标记，屏蔽退出日期的原因在脚注中给出。

URL Context 准确识别出了脚注中的内容。

根据所提供的文件，员工离职协议中的离职日期被标记为「***」，原因在于某些公司视为隐私或机密的特定非关键信息，已在公开文件中被有意略去。

该文件包含一条对此做法的澄清说明：「本文档中某些已识别的信息已被略去，因为这些信息并非关键信息，且属于公司视为隐私或机密的信息类型，并已用「***」标记以示省略之处。

根据官网介绍，URL Context 采用一个两步检索流程，以平衡速度、成本和对最新数据的访问。

当用户提供一个 URL 时，该工具首先尝试从内部索引缓存中获取内容，以提高速度和成本效益。如果 URL 不在缓存中（比如一个刚刚发布的页面），它会进行实时抓取。

那它的能力边界在哪里呢？官方介绍中也有明确说明。

• 无法翻越「付费墙」：需要登录或付费才能访问的内容，它无能为力。

• 专用工具优先：YouTube 视频、Google Docs 等有专门 API 处理的内容，它不会涉足。

• 有明确的容量限制：单次请求最多处理 20 个 URL，且单个 URL 内容上限为 34MB。

价格方面，它的计费方式非常直观：按处理的内容 Token 数量计费。你提供的 URL 内容越多，被转换成输入 Token 的数量就越多，成本也相应增加。这可能会间接引导开发者进行更高效的应用设计，即精确地提供所需的信息源，而非宽泛地投喂大量不相关的 URL，从而优化成本。

不过话说回来，URL Context Grounding 的出现并非宣告 RAG 的终结，而是对其应用场景的重新划分。对于处理企业内网的海量私有文档、需要复杂检索逻辑和极致安全性的场景，构建一套自主可控的 RAG 系统依然是不可或缺的。

URL Context 揭示了一个行业趋势：基础模型正在将越来越多的「外部能力」内置化。过去需要由应用层开发者承担的复杂数据处理工作，正在被逐步吸收到底层模型的服务中。

文章来自于微信公众号“机器之心”，作者是“关注AI的”。