最近要读的文献很多，有一定比例是信息整理的活。所以打算综合测试主流的知识库 AI 搜索软件，判断在给定相关文献后，能不能把整理的活干好了

测试时间是2025 年10 月10 日，这个阶段知识库已经可以应对简单的需求，例如客服机器人、规章制度智能检索、文史资料智能检索。然而，任何模型都不能满足理科项目级别的知识库检索，因为理科文献书写时就默认读者有较高的领域知识和科学素养，不同文献间常有实验细节、术语范畴、数值单位的差异，很难被当前的大模型妥善解决

今天测试各模型“对某定义明确的理科问题的信息汇总”能力，我希望结果遵从提示词、遗漏少、无幻觉

参与模型

现在离线私有知识库要么成本高、要么效果差，本文只讨论在线知识库

NotebookLM ，谷歌旗下火出圈的模型，生成播客的功能非常好用，最近也支持生成视频。设计基于知识库，底座模型是定制的 Gemini，不支持选择其他模型

ChatGPT，OpenAI 家喻户晓的产品，目前更新到 GPT-5。ChatGPT 一直以来综合能力领先，逻辑能力、情感模拟、AI 电话很强，代码生成不错，似乎长期记忆也很好（看到很多调教 ChatGPT 的帖子）。ChatGPT 有 project 的概念，在 project 下可以上传文件，然后开启多个会话。虽然有很多模型系列，官方现在已经支持 auto 档，可以自动选择模型

Claude，代码生成这块绝对的王者，综合能力也不弱，目前更新到 Claude Sunnet 4.5。和 ChatGPT 一样有 project 功能

秘塔，王一快搞的 AI 搜索引擎，功能做的很人性化，回答明显比其他 AI 图片更多，追溯引用源的体验很好，是我最常用的 AI 搜索。可以建立知识库，称为“专题”。在提问时，允许限定知识库范围。模型有简洁、深入、深度研究（包含快思考、长思考两种模式）

Kimi，月之暗面的模型，早期因为超长上下文火过一波，我自己用下来的体验一直不算好。不能建立知识库，但每个会话支持最多 50 个文件上传。模型有 K1、K2、深度研究、OK computer，其中“深度研究”不支持上传文件

豆包，字节的模型，很早就出了 AI 电话、提示词市场、声音克隆等功能，是早期AI 电话流畅度最高的模型之一，给人的感觉是更专注浅层需求。不能建立知识库，但每个会话支持最多 50 个文件。模型有普通、深度思考、深入研究

Perplexity，应该是第一个做AI 搜索引擎的。可以建立知识库，称为“Space”。在提问时，可以 @ 特定知识库。免费版单个知识库限制 5 个文件。模型有 search、Research、Labs（需付费）

玻尔，是专为科研人员设计的 AI 搜索模型，内部集成了期刊库、学者库等，还能与 Zotero 联动。可以建立知识库，模型有简洁、专业、思考、深度研究

腾讯 ima，比腾讯元宝的声量小很多，但却是腾讯旗下正经的知识库智能工作平台。网页端不支持创建知识库，必须下载客户端。模型有 DeepSeek V3.1，DeepSeek V3.1 Thinking，Hunyuan 等
另有一些软件使用本地知识库 + api 接入在线模型推理，如 Cherry Studio，本人使用时有一定概率解析文件出错。留待观察

这次测试我给了 8 篇文献，都涉及流感病毒抗体的小鼠攻毒实验，目的是整理出一份信息表

image.png

对所有模型使用统一的提示词

梳理文献中提到的所有攻毒实验，同一篇文献有多个攻毒实验的，分开记录
列出抗体名，抗体中和能力，给药方式，给药剂量，小鼠年龄，毒株，病毒剂量，病毒接种时间，抗体给药时间，14d生存率

接下来就纯主观评价各模型的输出吧

Notebook LM

image.png

忠实根据提示词，总结 8 篇文献的所有攻毒实验，每个单体、给药剂量单独列出，一共有 80+记录，仅有极少量的实验组被遗漏

ChatGPT

image.png

输出遗漏太多，给出的实验组过少。尝试手动指定 Thinking 模式，仍然如此

Claude

image.png

似乎不能上传 2M 以上的文件，直接出局

秘塔

深入

image.png

只梳理了 4 篇文献，未按要求把每篇文件中不同攻毒实验分开记录，而是不同毒株、实验组混在一起描述

深度研究（快思考）

image.png

模型思考时，会动态生成思维链，看起来挺炫酷

最终给出的结果，仍然有大量实验缺失。列出的实验中，许多文献有的信息也没找到

另外，在回答中同一个引用源会被重复编号，这可能造成混淆

image.png

深度研究（长思考）

image.png

相比快思考有改善，但仍有遗漏文献，列出文献中仍有遗漏的信息

perplexity

research

image.png

没按照提示词分组，结果非常简陋，信息丢失严重

玻尔

专业

image.png

回答中只列出了 3 个文献，对抗体中和能力的理解完全错误

思考

image.png

回答中列出了所有文献，36 组记录，考虑到记录有合并的情况，算遗漏较少。每条记录中，遗漏“中和能力”
99.7%、80.2%这些数字，实际应该是 100%、80%，明显通过识别柱状图、计算比例后得到。这是加分项

不太方便的一点是，对话框在浏览器后台标签页时输出会暂停，需要打开多个浏览器窗口解决这个问题

KIMI

K2

image.png

K2 模型无法支持 8 篇文献的上下文

OK computer

image.png

OK computer 是个 agent 的设计，能够调用 todo、ipython 辅助思考和计算

image.png

最终生成了交互式网页，但太粗略。导出原始数据后，发现漏了一篇文献，且列出的文献也遗漏很多信息

0530da4f-aed9-48f1-9fc8-e5af3ad33f67.png

豆包

深度思考

image.png

仅提取了 5 篇文献，已列出的文献中有遗漏、错误

腾讯 ima

DeepSeek V3.1

image.png

总结了所有 8 篇文献的攻毒实验，但前半部分细致、后半部分粗糙。例如，一开始明确给不同给药剂量分组，但后期就 “2.5mg/kg 及以上”，一开始每个抗体单独列出，后期合并为一行

DeepSeek V3.1 Thinking

image.png

恢复为列表格式。总结了大部分实验，内容有遗漏和错误

总结

综合来看，表现最亮眼的是 Notebook LM，其次是玻尔。腾讯 ima 算勉强可用，剩下的都不怎么样，非要排序的话是秘塔 > Kimi > Perplexity > ChatGPT > 豆包 > Claude

这里只测试了直白的提示词，修改提示词后可能结果有变化。也没有测试模型本身作为 api 接入知识库的效果。说白了，这是一个产品体验的测试，而不是模型能力的测试

期待知识库应用能尽快变得便宜、好用