Google 上线 File Search：Gemini API 自带全托管 RAG，查询与存储全免费

想给大模型塞私有知识库，最让人头疼的往往不是调用模型本身，而是搭那一整套 RAG 检索链路。

你要自己把文档切片、选向量模型、建向量数据库，查询时还得算相似度、拼 Prompt，最后还得算每一处的账单。Google 显然看烦了开发者折腾这些事情。

Google 在 Gemini API 里上线了 File Search 工具。说白了，它把一整套端到端的 RAG 系统直接做成了托管服务，开发者把文件传上去就能用。

存储免费，只收一次索引钱

这次最惹人注意的不是功能多全，而是计费方式有点反常规。

按照 Google 的规则，文件存在里面的存储费用全免，每次用户提问时调用的查询 embedding 也免费。开发者唯一要掏钱的地方，只有第一次上传文件建立索引时的 embedding 成本。

目前这个费率按照 gemini-embedding-001 计算，每 100 万 token 收 0.15 美元。也就是说，只要你不频繁重新上传整个大库，后续用户跑再多次查询，检索底座这部分基本等于零维护成本。

开发体验上，File Search 也全包了。它会自动处理文件切块、向量化和上下文注入，开发者只需要在常规的 `generateContent` 接口里挂上这个工具就行。

格式方面，它支持 PDF、DOCX、TXT、JSON 以及各种主流编程语言文件。模型生成的回复里会自动附带引用出处，直接指出答案来自文档的哪一段。

做游戏生成平台的 Phaser Studio 试水了这项功能，在旗下的 Beam 工具里挂了庞大的模板库。他们每天跑几千次并行检索，跨语料库把结果抓取并合并起来，耗时不到 2 秒。

现在 Google AI Studio 已经放出了一个名为 Ask the Manual 的演示应用，不过需要绑定付费 API 密钥才能体验。

为什么重要

我们认为，Google 这次推出 File Search，是奔着把中小团队从向量数据库的泥潭里拉出来的节奏去的。

对独立开发者和中小型团队来说，以前搭建企业客服、内部知识库或者代码助手，门槛往往卡在 Pinecone 等向量数据库的高昂月费和维护运维上。现在存储全免、查询向量化全免，仅按首次索引收几毛钱，极大地拉低了试错成本，基本可以闭眼上车。

从行业竞争来看，这直接对标了 OpenAI 的 Assistants API 里的 File Search 功能。Google 选择用免费存储和极低的单次索引费打价格战，看起来就是想靠性价比把开发者从对手的生态里抢过来。

不过隐患也同样明显。全托管意味着黑盒化，你无法精细调整切块策略、检索算法或者混合搜索权重。一旦遇到复杂排版的行业研报，检索精度很可能会受限。但对于绝大多数不想养基础设施的开发者来说，这种省心程度已经足够打动人了。