从Perplexity到HeyGen，我的AI工具技术探索方法论

最近被安排用AI优化内部知识库检索。调研后发现，Perplexity的RAG思路值得借鉴：查询重写 + 多路召回 + 引用标注。内部文档不能出外网，于是用Node.js自研简易版——embedding向量检索叠加BM25关键词结果做融合排序。踩坑：text-embedding-3-small处理中文长文档截断512 token会丢信息，改成分块嵌入（512 token + 128 token重叠），召回率从40%涨到78%。

function fusionScore(vectorScore, bm25Score, alpha = 0.7) {
  return alpha * vectorScore + (1 - alpha) * bm25Score;
}

HeyGen用于产品演示视频生成，效果惊艳但API按分钟计费，批量成本高。尝试开源替代，发现数字人嘴型同步、表情自然度差距巨大。折中方案：HeyGen只用于对外演示，内部培训用TTS加PPT动画。

技术选型核心体会：别只看功能，要看ROI和场景匹配度。Perplexity教会我架构可借鉴但落地要自研；HeyGen说明商业API贵有贵的道理，开源替代可能省了钱赔了时间。

最大收获是方法论：先明确问题，再拆解技术原理，最后评估自研与接入的成本边界。Node.js的流式处理和中间件模式在检索服务中帮了大忙。

下个目标：给检索服务加对话记忆，支持连续追问。