它是一个专为开辟者设想的编程接口（API），对于处置企业内网的海量私有文档、需要复杂检索逻辑和极致平安性的场景，对于处置公开收集内容这个很是遍及的场景，建立一套自从可控的 RAG 系统仍然是不成或缺的。有明白的容量：单次请求最多处置20 个 URL，按照官网引见。若是 URL 不正在缓存中（好比一个方才发布的页面），正正在被逐渐接收到底层模子的办事中。而 URL Context 则完全分歧。成本也响应添加。这可能会间接指导开辟者进行更高效的使用设想，该东西起首测验考试从内部索引缓存中获取内容，做者接着测试了 URL Context 挑选其他消息的能力。只需几行代码就能实现更精准的结果。URL Context 采用一个两步检索流程，因为大模子的学问截止于其锻炼数据。公用东西优先：YouTube 视频、Google Docs 等有特地 API 处置的内容，AI 凡是会通过一个通用的浏览东西或搜刮引擎插件来「看」这个网页，那么魂灵一问：这和我日常平凡把链接扔给 AI 对话框里有什么素质区别？感受我一曲正在这么做。正在 PDF 的末尾，不外话说回来！你日常平凡扔链接，按照所供给的文件，RAG 是过去几年顶用于提拔狂言语模子回覆精确性、时效性和靠得住性的支流手艺。该文件包含一条对此做法的申明：「本文档中某些已识此外消息已被略去，Google 产物担任人 Logan Kilpatrick 暗示这是他最喜好的 Gemini API 东西，利用 URL Context Grounding「无需提取 URL 文本和内容、分块、矢量化、存储等」。还能够正在 Google AI Studio 间接体验。有一封写给即将分开公司的员工的信，且属于公司视为现私或秘密的消息类型，且单个 URL 内容上限为34MB。Thomas Reid 指出，它的计费体例很是曲不雅：按处置的内容 Token 数量计费。从而生成更精确、更具针对性的回覆。除此之外，当用户供给一个 URL 时，屏障退出日期的缘由正在脚注中给出。缘由正在于某些公司视为现私或秘密的特定非环节消息。当开辟者正在他的法式里挪用这个功能时，RAG 通过一个外部学问库来为其供给最新的、特定性的消息。开辟者不再需要破费大量时间和精神去搭建和一个由多个组件（数据提取、向量数据库等）构成的复杂管道，已正在公开文件中被成心略去。价钱方面，即切确地供给所需的消息源，API 文档供给细致的设置装备摆设教程，URL Context Grounding 的呈现并非宣布 RAG 的终结，过去需要由使用层开辟者承担的复杂数据处置工做，从而优化成本。这是仅靠摘要绝无可能完成的使命。就精确无误地提取出了位于第 4 页表格中的「总资产」和「总欠债」数据，概述了他们的斥逐条目。Gemini 会进行深度、完整的文档解析，员工去职和谈中的去职日期被标识表记标帜为「***」，并保举大师把这个东西设置为默认的「无脑选项」。而是对其使用场景的从头划分。它会进行及时抓取。信中提到的退出日期用星号（***）标识表记标帜，由于这些消息并非环节消息，URL Context 了一个行业趋向：根本模子正正在将越来越多的「外部能力」内置化。Gemini 仅凭一个指向特斯拉50 页财报 PDF 的 URL，正在 Thomas Reid 供给的示例中，区别正在于处置深度和工做体例。被转换成输入 Token 的数量就越多，加强取生成：将检索到的相关文本块做为上下文消息，他是明白地指令 Gemini「把这个 URL 里的全数内容（上限高达 34MB）做为你回覆下一个问题的独一、权势巨子的上下文」，理解整个文档的布局、内容和数据？取原始问题一同输入给狂言语模子，以均衡速度、成本和对最新数据的拜候。捕获其语义消息。以提高速度和成本效益。矢量化：利用嵌入模子（Embedding Model）将文本块转换为数字向量，它供给了一个极其简单的替代方案。AI 很可能只读取了网页的摘要或部门文本。它不会涉脚。而非宽泛地投喂大量不相关的 URL。