无论是搜索、推荐还是问答，把企业的数据资产变成可检索、可调用的智能服务，往往意味着一条漫长且高门槛的链路 —— 数据清洗、Embedding 选型、索引构建、策略配置、效果调优……
每一个环节都离不开工程投入和算法经验。
Viking AI 搜索 CLI （下文统称 SearchCLI ）正式发布，代表着上述的这些复杂繁琐环节，现在都可以让 Agent 替你完成了。
通过 IaC （Infrastructure as Code）范式，CLI 将数据入库、效果评测、搜推问答策略调优等一系列复杂任务，整合为一组简洁命令，搭配内置的 Skills ，Agent 可以瞬间变成企业私域数据搜索、推荐、智能问答系统的工程专家和算法专家，而你只需要在对话框中发出指令即可。
简单来说：会说话，就能做搜索推荐和智能问答。
SearchCLI 有什么用？来看一个实际场景：
小 V 是一名独立设计师，过去一年用 Seedream 生成了上万条素材。但素材越多，找起来反而越难：标签没打全，文件名靠不住，每次想找一张 “暖色调、带木纹质感的背景图”，都只能在缩略图里凭运气翻。
更别说搭一套搜索推荐系统 —— 光是向量索引和 Embedding 选型，就够劝退了。
小 V 痛定思痛：到底有没有个好法子，不用开发，我自己一个人能把这海量素材真正管起来，做到“需要哪张，一秒找到”？
有的兄弟，有的。 SearchCLI，只需要几条简单的命令，就能把本地素材库变成一个支持多模态搜索和相似推荐的智能图库，妈妈再也不用担心我一张张地人肉找素材了。
猜你喜欢推荐
相关物品推荐
搜索
智能问答
快速上手：一行命令开启智能搜索之旅
SearchCLI 的安装与配置极度精简，所有的繁琐操作都可以由 Agent 通过对话式交互自动完成。
1. 安装与初始化：极简授权
小 V 的第一步很简单：使用 Trae、OpenClaw、Claude Code、Codex 等 AI Agent，让它自动完成下载和配置。
安装完成后，在火山引擎官网获取 AK/SK（鉴权凭据），按照 Agent 的指示在终端输入 AK/SK，Agent 即可自动完成授权配置，整个过程几乎不需要手动操作。
获取 AK/SK
完成权限配置
2. 智能数据预处理和导入
授权完成后，小 V 的当务之急就是要先把自己的一堆凌乱的数据清洗、处理和导入到服务中。
按传统做法，这通常需要经历繁琐的工程链路：自己写脚本遍历文件夹、提取图片特征、再一条条调用 API 上传……对于没有编程基础的小 V 来说，这几乎是一道无法逾越的鸿沟。
但有了 SearchCLI，小 V 根本不需要去管复杂的上传接口，直接把本地的图片素材发给 Agent，就可以先坐等数据预处理自动完成。原本零散的素材信息，会被自动整理成结构化数据，产出可直接入库的 Schema 和数据文件。
等数据准备好之后，导入这一步也不用她再自己折腾。Agent 会顺手完成数据集上传和入库，让这些素材真正进入搜索系统。
因为 CLI 中内置了数据预检的指令，此时 Agent 会执行以下环节以确保数据质量：
数据质量确认没问题后，正式入库开始了。
面对 10000 条正式数据的写入，CLI 预判了接口的并发限制。Agent 没有采用粗暴的单次全量上传，而是自动编写了切片脚本，将数据划分为 5 个批次（每批 2000 条），并加入了平滑的休眠等待：
小 V 看着进度条一条条跑完，直呼快哉，素材库终于不再只是一个杂乱的文件夹了！
3. 搜索、推荐、问答策略自动生成
素材导进去了，接下来就是最关键的问题：能不能搜到想要的东西？
3.1 配置搜索系统
CLI 内嵌了包含文本与图像的多模态检索配置，搜索能力即刻可用。小 V 试着搜了 “白雪皑皑的自然景观”—— 结果不再是靠关键词硬匹配，而是真正理解了她的意图。
CLI 搜索效果
应用内搜索效果（示例）
3.2 个性化推荐与相似物品推荐
搜索能用了，但小 V 觉得还不够——每次找素材，都得自己想关键词去搜，她更想要的是：系统根据浏览习惯，主动推荐风格相近、主题相关的内容。
于是，小 V 开始尝试配置推荐策略（也是一句话的事）。CLI 敏锐地提示“缺少用户行为数据”，手头上没有行为数据不要紧，她直接把自己的偏好告诉 Agent：”我喜欢暖色调、自然质感、极简风格的素材，对卡通和赛博朋克风格不感兴趣。”
Agent 根据她的描述，自动生成了一份符合她审美偏好的模拟行为数据集，并丝滑完成上传。
CLI 自动完成了事件类型映射，并成功创建了 “首页推荐” 和 “相关推荐” 两大场景。
应用内猜你喜欢推荐效果
（示例）
应用内相似图片推荐效果
（示例）
3.3 配置问答助手
搜索和推荐都跑起来了，但小 V 还想更进一步：有时候有些需求一两个词讲不清楚，能不能直接用自然语言提问？
当然可以！
小 V 试着输入了”帮我找一些色彩丰富的水彩画素材”，系统自动完成了意图理解、搜索召回、结果重排和答案生成，并返回了按类别整理过的素材建议。
她的素材库不再只是”等人来搜”，而开始”主动引导提问”。
应用内对话效果（示例）
4. 数据验证：效果评测与自动化调优
搜索推荐都跑起来了，但小 V 心里还有个疑问：效果到底好不好？如果搜不准，又该怎么调？
借助 CLI ，她实现了一套完全自动化的测试与调优闭环：
4.1 批量跑搜索、推荐测试集
小 V 自己没有现成的评测集，但 CLI 提供了专门用于构造评测集的命令，Agent 调用命令主动构造了包含多种意图的 Query 评测集——”阳光落满的房间””极简风格木画架””带着猫的舒适沙发”等，调用 CLI 接口执行批量基准测试。
4.2 分析结果并提供策略优化建议
首次基准测试的输出显示，搜索场景的整体 Top-5 平均相关性得分只有 0.5244。
问题出在哪？Agent 分析后发现：文本权重配置偏低，导致包含明确物体特征的查询，召回了太多语义相近但实体不匹配的长尾数据。同时，推荐场景中新注册的无行为用户也获取不到推荐内容。
4.3 自动完成策略修改
明确了问题后，Agent 直接将优化建议转化为配置文件，通过 CLI 瞬时完成了线上策略的热更新——将语义检索、关键词检索的权重调至合适值，不需要填表单，不需要改代码，改完即生效。
4.4 对比优化前后效果
更新完成后，自动化评测脚本再次跑通测试集。结果很直观：调优后，包含具体物体的具象 Query 匹配精准度得到了明显改善，而抽象 Query 的效果也稳中有升。
至此，专属于小 V 的素材库就正式搭建起来了。
几天后，面对甲方“既有科技感又温暖”的抽象催图需求，她只需在对话框输入这句话，毫秒间，完美契合的图片和关联的灵感推荐就呈现在眼前。
从面对上万张杂乱素材束手无策，到拥有专属的搜索、推荐、问答一体化智能图库，小 V 一行代码都没写。借助 Agent 与 SearchCLI 的配合，沉睡在硬盘里的数据被彻底激活。她终于告别了繁琐的“找图拉锯战”，把全部的时间和精力，还给了真正的设计与创作。
省流版总结：CLI 核心价值
很多时候，问题不是没有数据，而是数据还没有真正被用起来。
Wake up the data you already have —— SearchCLI 的价值，就在于把已有数据从“放着” 变成 “用起来”，让原本分散在文件、表格和业务系统里的内容，真正具备可搜索、可推荐、可对话的智能能力。
1. 数据入库：解放双手，不靠手搓
不同于传统的粗放式导入，CLI 提供了 vs item profile、plan 和 apply 三位一体的入库流程：
2. Search, Recommend & Chat: 三个愿望一次实现
通过 CLI，用户可以一键拉起具备搜推问一体化能力的 AI 应用：
3. AI 驱动的策略调优：让好结果自己跑出来
在传统的搜索优化中，解决一个“搜不到”或“搜不准”的问题往往需要算法专家数天的排查与参数微调。现在，这一过程被极大地自动化了：
不止于素材库：多行业全场景赋能
SearchCLI 强大的泛化能力与灵活的架构，让它能够跨越场景边界，深度赋能各行各业的业务增长：
-
电商平台：将海量商品库一键资产化。
-
社交/内容平台：让海量图文不再沉寂。
-
企业知识库：将跨部门的企业知识入库，打造出一个全天候在线、懂业务的内部专家 Agent。
立即体验
数字化转型的下半场，是资产激活的竞速。Viking 家族的 SearchCLI 已经为你搭好了通往智能化的“最后一百米”高速公路。
我们邀请所有致力于探索生成式 AI 应用边界的企业与开发者，加入 Viking 的生态。
和我们一起，Wake up the data you already have ！
对 SearchCLI 还有哪些期待or建议？欢迎在评论区留言～