我们给一个纯静态网站接入了 AI 语义搜索，没有用向量数据库

今天，Superdata RobotAI 上线了 AI 语义搜索功能。你可以在网站右下角找到那个 🔍 按钮，输入自然语言描述你的需求——比如「我要做人形机器人双臂操作抓取数据集」——系统会自动从 43 个数据集、19 个数据标准和 11 个工具中匹配最相关的结果。

为什么做这个

我们的导航站收录了 73 个实体（数据集 + 标准 + 工具），每个实体都有丰富的标签：机器人类型、任务类型、数据模态、协议、机构等。传统的搜索方式是关键词匹配——你搜「人形机器人」，只能召回标签里含这四个字的条目。

但用户的搜索习惯不是这样的。有人会搜「双足运动控制数据」——这需要理解「双足」≈「人形机器人」+「运动控制」任务。有人会搜「大规模真实操作数据」，这涉及多个标签的组合。纯关键词匹配做不到。

方案：文本嵌入 + 余弦相似度

核心思路很简单：把每个实体的关键信息（名称、描述、类型、任务、模态、机构等）拼成一段文本，用阿里云百炼的 text-embedding-v4 模型（通义千问）生成一个 2048 维的向量。用户的查询也同样向量化，然后做余弦相似度匹配。

整个嵌入索引不到 1.1MB——73 个实体 × 2048 维 × 4 字节 = 约 600KB，加上元数据总共 1.1MB。不需要 Pinecone，不需要 Chroma，不需要 Milvus，一个 JSON 文件就够了。

还不够：keyword boost

纯语义嵌入有盲区。比如搜「仿真环境下的导航训练」，语义上可能偏向操作类数据集（因为整体语料中操作类占多数），而我们真正想找的是 Habitat、Gibson、iGibson 这些仿真平台。

解决方案是混合检索：从查询中提取结构化关键词（人形机器人 → 类型字段，抓取 → 任务字段），与实体的标签做精确匹配，命中后加分。嵌入负责语义泛化，关键词负责精确命中，两者互补。

架构：零成本运维

前端：纯静态站点（GitHub Pages），右下角浮动搜索组件，200 行 vanilla JS。

后端：阿里云函数计算（FC），一个 Web 函数处理所有搜索请求。阿里云 FC 免费额度每月 100 万次调用，我们的规模完全在免费线内。

嵌入 API：阿里云百炼 text-embedding-v4，新用户 100 万 token 免费额度。73 个实体的嵌入生成只消耗约 15K token。

整条链路月成本：¥0。

效果

实测几个典型查询：

• 「人形机器人双臂操作抓取」→ GR-1 ActionNet 88%、Dexora 83%、Humanoid Everyday 82%
• 「触觉传感器数据」→ DIGIT Dataset 85%、TacTip Datasets 78%，工具侧 TACTO 77%、PyTouch 72%
• 「仿真环境下的导航训练」→ Gibson 67%、iGibson 57%、Isaac Sim 56%（全部命中工具板块）

下一步：AI 助手

目前的搜索是「检索式」的——返回匹配列表，用户自己判断。下一步的计划是接入 LLM（通义千问或 DeepSeek），让系统不只是「搜到相关数据」，而是能给出结构化的建议方案：推荐哪个数据集 + 配套什么工具 + 参考哪个标准。

如果你有具体的使用场景或反馈，欢迎在右下角搜索框试试，然后通过评论区告诉我们。

技术栈：阿里云百炼 text-embedding-v4（2048-dim）· 阿里云函数计算 FC · GitHub Pages · vanilla JS。全部代码开源在 GitHub。