谷歌推出全新文件搜索工具，旨在彻底简化企业级检索增强生成（RAG）应用的开发流程。传统RAG系统需要手动完成数据分块、向量化、存储和查询等复杂步骤，而谷歌的File Search工具将整个流程封装为一个内置在Gemini API中的“工具”，开发者仅需几行代码即可实现基于私有文档的智能问答。 该工具的核心是基于gemini-embedding-001模型的向量搜索能力，能理解查询的语义，即使用户用不同措辞提问，也能精准定位相关文档内容。与传统关键词搜索不同，它能捕捉上下文含义，提升检索准确率。所有返回结果均附带可验证的引用信息，明确标注答案来源的文档和段落，增强企业级AI应用的可信度。 File Search支持多种常见文件格式，包括PDF、DOCX、TXT、JSON及各类代码文件，无需预处理即可直接上传使用。在成本方面，文件存储和查询嵌入完全免费，仅对原始文档内容的嵌入收费，价格低至每百万token 0.15美元，极具性价比。 使用上，开发者只需创建一个文件搜索存储（file search store），上传文件并等待处理完成，随后在调用Gemini模型时，通过工具配置启用File Search，即可让模型基于上传文档生成回答。示例代码展示了如何从一份180页的三星S25用户手册中准确提取支持的机型信息，甚至能回答“如何设置自动熄屏”这类具体操作问题，且结果与原文完全一致。 该工具还支持多文件批量上传，通过循环操作即可完成。用户可自定义分块策略，如设置每块最大200个token，块间重叠20个token，以适应不同文档结构。与谷歌其他类似工具相比，File Search是唯一真正实现持久化向量存储的RAG产品——嵌入数据长期保留，无需重复上传，而Context Grounding和LangExtract则不具备此能力。 此外，系统在48小时后自动删除原始文件，但保留向量索引，用户可随时通过API删除整个存储以控制成本。总体而言，File Search将复杂的RAG工程抽象为一个轻量、高效、可扩展的API调用，大幅降低AI应用开发门槛，是企业构建私有知识库的有力工具。