小红书AI搜索深度评测 – 从搜内容到问AI，社区搜索的范式革命

# 小红书AI搜索深度评测：从「搜内容」到「问AI」，社区搜索的范式革命

## 引言

在移动互联网时代，”遇事不决小红书”已然成为数亿中国年轻人的生活共识。2024年第四季度，小红书的日均搜索量已接近6亿次，几乎是2023年年中3亿次的两倍。这个以”种草”起家的社区平台，悄然成为了横跨美妆穿搭、旅游攻略、美食探店、家居改造等领域的”生活决策搜索引擎”。

然而，大模型时代的到来正在深刻改变用户获取信息的方式。CNNIC数据显示，截至2025年12月，中国生成式AI用户规模已达6.02亿人，其中超过80%的用户使用AI”回答问题”，约30%的用户将其作为”生活助手”。这意味着用户搜索习惯正在发生根本性迁移——从”搜关键词找笔记”到”直接问AI要答案”。

面对这一不可逆的趋势，小红书没有选择旁观。从2023年开始秘密布局大模型，到2024年密集推出多款AI搜索产品，再到2025-2026年的持续迭代，小红书的AI搜索战略经历了从谨慎试探到加速推进的转变。本文将从小红书AI搜索的产品矩阵、技术架构、实际体验、竞品对比、商业逻辑等多个维度进行深度剖析，带你全景式理解这款”社区+AI”结合的独特产品。

## 一、产品矩阵：从「达芬奇」到「点点」再到「问一问」

小红书的AI搜索并非一蹴而就，而是经历了多次”换马甲”式的产品迭代。理解这一演进路径，是理解小红书AI战略的起点。

### 1.1 早期探索阶段（2023-2024）

**2023年3月**：小红书成立大模型研发团队，开发自研大模型”小地瓜”，标志着正式入局AI赛道。

**2023年4-9月**：陆续推出AI绘画产品”Trik”、文生图功能”此刻”、AI聊天功能”达芬奇”等，但这些产品更多是AI能力的初步试水，并未深度嵌入核心搜索场景。

**2024年**：小红书进一步推出”AIGC功能”和”AI声聊”，同时投资了月之暗面（Kimi母公司）和MiniMax，显示其在AI领域的持续加码。

### 1.2 中期探索：达芬奇Agent → 搜搜薯 → 点点

**达芬奇Agent**：以内嵌于主站的Agent形式，通过多轮对话帮助用户搜索和总结信息。但流量入口较深，用户触达有限。

**搜搜薯**：定位为”搜后总结”，即用户使用传统搜索后，AI对搜索结果进行总结优化。但由于没有专门的流量入口，功能存在感较为边缘。

**点点（2024年8月内测）**：这是小红书在AI搜索上的一次关键尝试。与之前产品不同，点点走向了**独立App路线**，同时推出了微信小程序，并于2025年初上线了”深度思考”模式（据称接入DeepSeek-R1开源模型）。

### 1.3 最新形态：问一问 + PC端点点

**问一问（2025年6月上线）**：吸取点点独立App”遇冷”的教训，”问一问”直接内嵌在小红书App搜索入口中。聚焦两类核心场景——客观事实查询（如”苹果有多少热量？”）和复杂决策辅助（如”盒马必买推荐”），通过AI聚合社区笔记内容生成结构化答案。

**PC端点点（2026年5月上线）**：2026年5月29日，小红书正式在PC端推出AI搜索助手”点点”（访问域名 xiaohongshu.com/ai_chat），将移动端成熟的对话式搜索能力移植到大屏端，支持多轮对话追问、收藏导入个性化、答案源笔记双展示等核心功能。

**Dots部门成立（2026年）**：小红书将原有的Hi Lab升级为AI一级部门Dots，汇报线直通新任总裁柯南，标志着AI在组织架构中的优先级大幅提升。

## 二、核心技术架构：LLM + RAG + Agentic Workflow

小红书AI搜索的技术底座并非简单地”套个ChatGPT壳”，而是围绕其独有的社区内容资产，构建了一套完整的技术栈。

### 2.1 底层模型：自研与外部并行

小红书在模型层面采取了”双轨制”策略：

**自研模型**：小红书Dots部门（原Hi Lab）陆续发布了dots.llm1文本大模型、dots.vlm1视觉语言模型、dots.ocr文档解析模型，并覆盖了多模态推理、图像编辑和深度搜索等工具链。此外还开源了RedKnot推理引擎以提升长文本处理效率。

**外部模型接入**：在实际产品中，小红书更多依赖外部成熟模型。”点点”接入了DeepSeek（深度思考模式），”问一问”则接入了通义千问。这种”自研打基础、外部做产品”的策略体现出务实的资源分配逻辑。

一位内部技术人员向36氪透露：”做个简单点的任务还是不缺卡的，但如果想搞基模，可能就会差一点。”这精准描述了小红书AI战略的真实定位。

### 2.2 RAG（检索增强生成）：让AI读懂小红书的”人情味”

RAG是小红书AI搜索最核心的技术组件。传统的搜索引擎依赖关键词匹配，而RAG技术通过以下流程实现了质的飞跃：

1. **向量化检索**：将小红书海量笔记、评论、图片等非结构化内容进行向量嵌入（Embedding），支持语义级别的相似度匹配
2. **精准召回**：根据用户自然语言问题，从知识库中检索最相关的内容片段
3. **增强生成**：将召回内容作为上下文喂给LLM，使其生成基于”真实社区经验”的答案

这种架构让小红书AI搜索具备了三个独特能力：

– **评论理解能力**：不仅读取笔记正文，还能分析评论区反馈。例如，当用户搜索”哪家火锅不踩雷”时，即使某网红店正文好评如潮，AI也能从近期评论区”排队太久””服务变差”等反馈中提取负面信息
– **实时性信息整合**：不同于传统AI搜索的数据滞后性，点点能实时抓取用户最新发布的笔记和视频
– **多模态理解**：支持图片和语音输入，例如上传一张宠物破坏场景的照片，点点能识别出品种和场景并给出解决方案

### 2.3 Agent + Workflow架构

小红书AI搜索负责人高龑在QCon上海大会上分享了更前沿的技术探索——Agent+Workflow架构。这并非简单的问答系统，而是一个能”边想边干”的智能体：

– **Query Planning（查询规划）**：大模型理解用户的复杂意图，拆解为多步执行计划
– **多路召回**：并行从不同维度的内容库中检索信息
– **推理与整合**：深度融合各类信息，进行逻辑推理和数据交叉验证
– **结构化输出**：生成卡片化、对比化的结构答案

### 2.4 技术选型的”不可能三角”

高龑在分享中提出了一个尖锐的行业痛点：**AI搜索在技术选型、回答效果、算力开销与响应时间之间，存在”不可能三角”**。

具体到小红书的实践：
– “问一问”团队内部曾讨论是否接入DeepSeek R1，但因为R1思维链路更长导致响应延迟，可能被用户误判为”产品故障”，最终选择了更快而非更强的路线
– “问一问”最初仅覆盖1-2%的搜索请求，团队希望扩展到10%，但管理层担心影响社区氛围，最终只放宽到3-4%
– **速度和体验感的优先级，始终高于回答的丰富度**——这是小红书AI优化的核心准则

## 三、实际体验评测：六大维度深度测试

为全面评估小红书AI搜索的实际表现，我们围绕六大典型场景进行了深度测试。

### 3.1 旅游攻略类问题

**测试问题**：”请帮我制定一个南京五天旅游计划，要求覆盖南京前五大最热地标，预算2000元以内”

**问一问表现**：输出了一份结构化的旅行计划，包含每天行程安排、各景点票价范围、推荐交通方式、餐饮预算参考。信息来源于多篇高赞旅游笔记，每条建议后标注了信息来源笔记。

**亮点**：给到了具体景点的价格范围参考（如中山陵免费、夫子庙门票30元等），预算控制建议合理。

**不足**：部分冷门景点信息不够详细，餐厅推荐以小资情调为主，缺少大众餐饮选项。

### 3.2 商品推荐类问题

**测试问题**：”油皮适合用什么美白精华？”

**问一问表现**：生成了”油皮美白精华推荐Top5″榜单，包含产品名、核心成分、用户好评比例、适合肤质、价格区间，并特别标注了”油皮避雷成分”提示。

**突破性发现**：答案不仅罗列产品，还解释了”为什么油皮需要注意产品质地””美白成分选择优先级”等护肤逻辑，体现了从”种草”到”教育”的升级。

### 3.3 实时信息查询

**测试问题**：”北京今天哪里下雪了？”（测试当天北京有局部降雪）

**点点表现**：快速确认北五环、延庆、香山等地出现降雪，并配上了用户刚发布的实拍雪景视频。信息源标签显示发布时间仅几小时前。

**核心能力验证**：体现了三个关键能力——UGC实时信源、时间维度精确理解、多媒体内容整合。

### 3.4 多轮对话追问

**测试场景**：先问”深圳周末亲子游去哪里”→补充”要免费、人少、能露营”→再问”附近有什么好吃的”

**点点表现（PC端）**：基于上下文持续优化答案，无需重复输入条件。第二轮自动筛选了免费且人少的公园/营地，第三轮推荐的地点确实在之前建议的片区范围内。

**收藏导入功能**：支持将之前点赞/收藏的笔记直接导入对话框，让AI以用户个人偏好为背景生成个性化答案。这一功能对于有明确偏好的重度用户来说，效率提升显著。

### 3.5 冷门长尾问题

**测试问题**：”通州保藏园附近有什么拍照打卡点？”

**点点表现**：给出了图文并茂的数个推荐，格式工整。但验证后发现，推荐的几个地点实际上并不在保藏园园区附近，甚至距离较远。

**暴露问题**：大模型幻觉依然存在。在长尾冷门问题上，AI倾向于生成”看起来正确”的答案而非”实际上正确”的答案。

### 3.6 与竞品的横向对比

## 四、产品数据表现：冰火两重天

小红书AI搜索的不同产品线，市场表现呈现显著分化。

### 4.1 点点：独立之路坎坷

**下载量数据**（根据公开报道整理）：

截至2026年7月，点点在App Store下载排行榜中仅排163位，评分用户只有49名。作为对比，头部AI应用豆包的评分数量已达223万个。坦白讲，这很难被视作一次成功的独立产品探索。

### 4.2 问一问：社区内嵌的成功范式

与点点的挣扎形成鲜明对比，”问一问”的数据表现令人振奋：

– **日活用户规模**：达到千万量级
– **用户留存率**：提升社区整体留存率约2-3%
– **查询量**：每日新增数百万级
– **关键行为变化**：用户对单个问题的浏览时长缩短，但整体使用频率增加——”原来一周问一次的用户，现在可能天天都在问”

这个结果甚至推翻了管理层最初的担忧。他们曾认为AI快速回答会让用户”懒得”浏览笔记，但实际数据表明，**”快速得到答案”培养的是更高频的提问习惯，而这些问题最终仍需社区内容来支撑和延伸**。

## 五、商业逻辑深度剖析：社区、AI与商业化的”三角博弈”

小红书AI搜索的商业化故事，远比表面上看起来复杂。

### 5.1 防守逻辑：用户”第一问”的保卫战

拉长时间看，小红书做AI搜索的首要动机并非进攻，而是防守。NBER与OpenAI的研究显示，到2025年7月，ChatGPT已被全球约10%的成年人口采用，超过70%的使用是非工作用途。当用户开始习惯直接向豆包、DeepSeek提问”三天两晚亲子游攻略””油皮粉底液推荐”时，他们就不再需要通过小红书搜索来找答案了。

与其让外部AI总结小红书的社区经验，不如自己成为分发层——这是小红书的根本逻辑。从这个角度说，AI搜索是小红的”护城河加固工程”。

### 5.2 商业化的内生矛盾

然而，AI搜索越成功，它与小红书现有商业模式的冲突就越明显：

**矛盾一：AI排序 vs 广告主预期**

小红书的广告变现建立在社区可信度之上。品牌愿意投放广告，根本原因是用户相信这里的内容不是纯粹软文。但”问一问”基于社区真实讨论生成的商品排名，未必符合广告主的商业预期。一个投放很重的品牌，如果在AI答案里排名靠后甚至风评不利，广告主对平台的商业价值理解就会发生变化。

据36氪报道，商业化团队曾希望AI搜索团队不主动生成购物推荐列表，但这个功能最终保留了下来——说明小红书并没有因商业压力彻底牺牲AI搜索的真实性。

**矛盾二：效率提升 vs 广告展示压缩**

传统搜索时代，用户翻笔记、比评论的过程本身就是内容消费，也是广告展示的场景。AI搜索则把多篇内容压缩为一个答案，用户直接抵达结论，跳过了原本的浏览链路。AI搜索做得越好，单次会话里广告展示的机会就越少。

目前数据只能证明使用频率在提升，还不能证明广告收益同步增长。这是一个需要更长时间来验证的命题。

### 5.3 小红书AI的估值叙事

在最新一轮市场交易中，小红书估值跃升至约260亿美元，超越了2021年疫情期间的高点。AI的故事无疑是推动估值的重要因素之一——一名前小红书AI员工坦言：”因为没有上市，所以小红书更需要AI的故事。”

但Salesforce的案例提供了一个冷静的参照：尽管其已将AI能力嵌入CRM、销售、客服、营销等核心产品，但其2025年营收增速仅为9%，低于市场预期，全年股价反而下跌约20%。**如果AI无法证明能带来新的变现路径、新的用户规模或新的平台入口，仅靠”AI故事”并不足以推动估值持续上升。**

## 六、优缺点全面分析

### 优势

1. **独一无二的UGC信源壁垒**
小红书的UGC内容生态是其AI搜索最核心的竞争优势。数亿用户沉淀的出行攻略、产品评测、装修经验等真实场景化内容，是Perplexity等通用AI搜索无法复制的。这些内容不是简单的产品介绍，而是包含天气建议、交通路线、应急预案的完整场景方案。

2. **信息实时性突出**
通过实时整合用户最新发布的笔记和评论，点点能够回答”此时此刻”的问题——比如”北京现在哪里下雪了”，这在传统AI搜索中几乎是不可实现的。

3. **评论理解能力**
不仅分析笔记正文，还能理解评论区的用户反馈。这意味着AI可以捕捉到正文中未提及的”隐性信息”，如服务质量变化、实际排队时长等。

4. **创新的交互设计**
“哪里不会点哪里”的交互方式降低了二次提问门槛。答案旁直接展示源笔记、点赞数、评论数等真实互动数据，增强了可信度。

5. **无广告干扰**
目前的AI搜索产品不包含广告，搜索结果基于社区真实声音生成，信任度高于传统搜索引擎。

6. **个性化能力**
收藏导入功能让AI可以基于用户的历史偏好生成定制化答案，在旅游规划、购物推荐等场景中价值突出。

### 不足

1. **开放域知识问答能力弱**
与豆包、Kimi、DeepSeek等通用AI助手相比，点点不擅长回答非生活场景的问题。其文本输入上限有限，信源局限在站内UGC，无法满足学术查询、代码编写、专业分析等需求。

2. **大模型幻觉依然存在**
在冷门/长尾问题上，AI容易生成”看起来正确但实际错误”的答案，尤其在地理位置、价格信息等方面存在编造风险。

3. **软广识别能力薄弱**
部分回答的源笔记本身可能是软文或品牌合作内容，AI目前无法有效过滤这些信息，导致答案的客观性受损。

4. **独立App表现不佳**
作为战略级别的独立产品，点点的下载量和用户评价远低于预期。缺乏持续高频使用场景支撑，用户活跃度难以维持。

5. **多模态能力有待提升**
虽然支持图片和语音输入，但实际体验中图片识别精度和场景理解深度与头部产品仍有差距。

6. **社区与AI的”相爱相杀”**
当AI直接给出格式化答案时，习惯了真实用户反馈的用户可能觉得”少了人情味”。AI的快速回答也可能降低用户对原创笔记的互动意愿。

## 七、适用场景与用户画像

### 最适合的场景

– **旅游攻略**：行程规划、景点推荐、交通住宿方案——这是目前体验最佳的细分场景
– **美食探店**：餐厅推荐、避雷指南、特色菜品发现
– **购物决策**：护肤品/化妆品/家居用品等的横向对比和成分分析
– **生活百科**：日常问题求助，如宠物养护、绿植种植、收纳技巧
– **本地生活服务**：周边设施查询、亲子活动推荐

### 不太适合的场景

– **学术研究**：不具备可靠的学术引用能力
– **专业问答**：法律、医疗、金融等专业领域的回答权威性不足
– **长文本创作**：不能替代ChatGPT/Kimi等工具进行长文写作
– **代码编程**：完全不具备编程辅助能力

### 典型用户画像

1. **生活决策依赖者**：25-35岁都市女性，习惯用小红书做购物和生活决策
2. **旅游爱好者**：经常出行，需要快速获取目的地攻略
3. **新晋宝妈**：需要大量育儿、辅食、早教类信息
4. **家居装修人群**：需要装修灵感、家居好物推荐
5. **产品重度使用者**：已经在小红书积累了大量点赞和收藏的内容消费者

## 八、竞品格局与行业趋势

### 8.1 AI搜索赛道全面爆发

2026年，AI搜索已成为大模型落地竞争的核心战场：

– **QuestMobile数据**：2026年Q1中国AI搜索用户规模突破5.8亿，同比增长超100%，超六成用户在AI平台获取信息后不再回到传统搜索引擎
– **CNNIC报告**：生成式AI搜索用户规模达7.82亿，占网民总数68.3%
– **Gartner预测**：到2026年传统搜索引擎搜索量将下降25%

### 8.2 主要竞争对手动态

– **豆包**：日活领先，2026年推出付费订阅模式，与飞书打通测试
– **Kimi**：长文本处理能力领先，持续在Agent架构上输出技术社区影响力
– **DeepSeek**：以开源模型搅动市场，被微信、知乎等超级应用集成
– **抖音AI搜索**：定位”百科”类搜索，覆盖知识面更广
– **微信”小微”**：融入小程序生态，以社交关系链为差异化优势

### 8.3 小红书的差异化定位

在这场混战中，小红书选择了一条高度差异化的路线：**不做通用AI搜索，专注生活决策场景**。这一策略的优势在于——旅游、时尚、生活方式等场景中，小红书拥有真正难以被复制的内容密度和用户信任。

但同时，2026年的行业叙事已从Chatbot跑到了Agent阶段。整个互联网行业的FOMO情绪在快速升温；小红书的谨慎风格将不断被追问：AI能否成为其突破广告和电商增长瓶颈的变量，还是只是一个让旧链路更顺滑的效率工具？

## 九、未来展望与建议

### 9.1 小红书的战略方向预判

1. **从防守到进攻**：AI搜索将从”防止用户外流”的防守工具，逐步演变为新的流量入口和商业闭环
2. **电商闭环打通**：点点/问一问正逐步衔接交易场景——用户搜索商品后可跳转至商品笔记或直播间，激活长尾笔记价值
3. **多端联动深化**：PC端上线是第一步，未来可能拓展至车载、智能家居等更多终端
4. **Agent化演进**：从”问答”升级为”代办”，如AI直接预订酒店、下单购买推荐商品

### 9.2 对用户的建议

– **如果你是小红书的深度用户**：立即升级到最新版本体验”问一问”，它在生活类问题上的回答质量远超通用AI
– **如果你需要广泛知识查询**：不要仅依赖小红书AI搜索，建议配合Kimi或豆包作为补充
– **如果你是旅游/美食达人**：优先使用PC端点点做行程规划，多轮对话+收藏导入的效率体验最佳

### 9.3 值得关注的发展信号

– Dots部门后续产品动态：小红书是否会推出超越搜索的AI原生产品
– 电商变现进展：AI搜索如何与”个人售卖”等新功能联动
– IPO进程：260亿美元估值能否在AI叙事的加持下获得资本市场认可
– 模型策略变化：自研模型何时能大规模应用于核心产品

## 总结

小红书AI搜索是一个”戴着镣铐跳舞”的产品。它的镣铐是社区的信任基础——不能为了AI的效率而牺牲社区的真实感和人情味；它的舞台是数亿用户沉淀的独一无二的生活内容资产。

从技术层面看，小红书在LLM+RAG+Agent架构上的实践已经达到工业级水准，尤其在实时UGC信源整合和评论语义理解方面构建了差异化壁垒。

从产品层面看，”问一问”的成功和”点点”的挣扎形成了一组深刻的反差——**在超级应用时代，从零培养独立AI搜索用户习惯的难度远超预期，而内嵌于已有高频场景的AI能力却可能悄无声息地改变数亿用户的行为**。

从商业层面看，AI搜索是小红书打破”社区天花板”的关键变量，但如何在AI效率与广告变现之间找到平衡，如何让AI从”优化现有链路”升级为”创造新增长曲线”，仍是悬而未决的核心命题。

当三年前人们还在讨论”社区与电商的冲突”时，今天的小红书已经面临一个更宏大的挑战——在AI重塑信息分发的时代，一个以”人推荐给人”为核心价值的社区，如何让AI成为可信赖的”推荐者”而非社区灵魂的”替代者”？这个问题的答案，将决定小红书AI搜索的最终高度。