告別 RAG？Google 用 URL 上下文 Grounding 持續發力
Google 在 AI 相關產品上的熱潮勢不可擋。就在幾周前，它為 Gemini 推出了一款新工具——URL context grounding。
URL context grounding 可以單獨使用，也可以結合 Google search grounding，用來深入挖掘網絡內容。
什么是 URL Context Grounding？
簡單來說，這是一種讓 Gemini 程序化地讀取、理解并回答關于單個網頁 URL（包括指向 PDF 的鏈接）內容的提問方式，而無需進行傳統的 RAG（Retrieval-Augmented Generation）處理。
換句話說，你不需要提取 URL 的文本和內容、分塊、向量化、存儲等等繁瑣步驟。你只要告訴 Google 你感興趣的 URL，然后就能直接上手。接下來你會看到，它的代碼實現非常簡單，而且準確率很高。
正因如此，我才說，這可能是給 RAG 棺材釘上的又一顆釘子。
但它真的好用嗎？我們來看幾個例子。
我先在 Windows 的 Ubuntu WSL2 上搭建開發環境。你可以跟著做，或者用你習慣的方式。
$ uv init url_context
$ cd url_context
$ uv venv url_context
$ uv pip install jupyter
$ uv pip install "google-genai>=1.16.0"你還需要一個 Google API key。如果你還沒有，可以去 Google AI Studio 注冊，設置你的密鑰。鏈接在儀表板頁面的右上角附近。
Google AI Studio
aistudio.google.com
在你的 shell 運行以下命令，會在瀏覽器中打開一個新的 Notebook 標簽頁：
$ jupyter notebook需要注意的一些限制
在開始寫代碼示例之前，有幾點關于 URL context grounding 的限制和約束你需要知道：
- 每次請求最多支持 20 個 URL。
- 單個 URL 檢索的內容最大為 34MB。
- 以下內容類型不受支持：
a.付費墻內容
b.YouTube 視頻
c.Google Workspace 文件，如 Google Docs 或電子表格
d.視頻和音頻文件
了解了這些，我們開始看例子吧！
示例 1 — 解析復雜的在線 PDF
我測試 RAG 或類似處理 PDF 數據時，常用的測試文件是特斯拉的 10-Q 季度財報。這份文件很長，大約 50 頁，包含復雜的表格和其他布局元素。
作為 SEC 備案文件，它的內容是公開的，完全免費使用。
如果你想自己看看，這份文件在這里：
https://ir.tesla.com/_flysystem/s3/sec/000162828023034847/tsla-20230930-gen.pdf
對于這個 PDF，我的問題一直是：
“2022 年和 2023 年的總負債和總資產是多少？”
答案在文件的第 4 頁。以下是那一頁的內容。
圖片
圖片來自特斯拉 10-Q SEC 備案文件
對人類來說，答案很好找。你可以看到，2022/2023 年的總資產（單位：百萬美元）分別是 $82,338 和 $93,941，總負債分別是 $36,440 和 $39,446。
在過去（大概 18 個月前?。脗鹘y RAG 方法從這份文件中提取信息可不容易。
那 Google URL context grounding 表現如何呢？
在你的 Jupyter notebook 中，輸入以下代碼：
from google import genai
from google.genai import types
from IPython.display import HTML, Markdown
client = genai.Client(api_key='YOUR_API_KEY HERE')
# 我們可以使用大多數 Gemini 模型，比如 2.5 Flash 等
MODEL_ID = "gemini-2.5-pro"
prompt = """
根據這個 PDF 的內容 https://ir.tesla.com/_flysystem/s3/sec/000162828023034847/tsla-20230930-gen.pdf，2022 年和 2023 年的總負債和總資產是多少？請按以下格式列出：
September 30 2023 December 31, 2022
Total Assets $123 $456
Total Liabilities $67 $23
不要輸出其他內容，僅輸出以上信息
"""
config = {
"tools": [{"url_context": {}}],
}
response = client.models.generate_content(
cnotallow=[prompt],
model=MODEL_ID,
cnotallow=config
)
display(response.text)就這么幾行代碼，看看輸出結果吧：
September 30 2023 December 31, 2022
Total Assets $93,941 $82,338
Total Liabilities $39,446 $36,440完全正確！表現不錯。
我們再看看它能不能提取其他信息。PDF 末尾有一封寫給即將離職員工的信，概述了他們的離職條款。URL context grounding 能判斷出信中提到的離職日期為什么用星號（***）標記嗎？以下是信的片段：
圖片
圖片來自特斯拉 10-Q SEC 備案文件
離職日期被掩蓋的原因在腳注中說明：
圖片
圖片來自特斯拉 10-Q SEC 備案文件
除了 prompt 外，其他代碼不變，我只展示 prompt 部分：
...
prompt = """
根據 https://ir.tesla.com/_flysystem/s3/sec/000162828023034847/tsla-20230930-gen.pdf，員工離職信中提到的離職日期為什么用 *** 標記？
"""
...輸出結果是：
根據提供的文件，員工離職信中的離職日期用 “[***]” 標記，是因為公司將某些非重要信息視為私密或機密，故意從公開文件中省略。
文件中有一條說明：“某些特定信息已從本文件中省略，因為這些信息不重要且公司視為私密或機密，并用 ‘[***]’ 標記省略處?！?/code>再次精準命中！
URL Context Grounding 的其他用途
在我看來，它開啟了許多新機會，包括：
- 深入內容分析與綜合
該工具可以從多個 URL 提取特定信息，如價格、名稱或關鍵發現。 - 文檔比較
它可以分析多份報告、文章甚至 PDF，找出差異并跟蹤趨勢。 - 內容創作
通過整合多個 URL 的信息，AI 可以生成準確的摘要、博客文章或報告。例如，開發者可以用它比較兩個不同網站的食譜，分析食材和烹飪時間。 - 代碼和文檔分析
開發者可以將 AI 指向 GitHub 倉庫或技術文檔，讓它解釋代碼、生成設置說明或回答具體問題。 - 復雜的工作流
結合 Google Search 的廣泛發現能力和 URL context 工具的深入分析，可以構建復雜多步驟任務。AI 代理可以先搜索相關文章，再用 URL context 工具深入“閱讀”并綜合最相關的搜索結果信息。 - Gemini CLI
一個開源 AI 代理，利用 URL context 工具的 web-fetch 命令，讓開發者可以快速總結網頁、提取關鍵信息或直接從終端翻譯內容。 - 提升事實準確性，減少幻覺
通過將回答基于特定網頁內容，AI 的事實準確性提高，減少生成錯誤或捏造信息的可能性。它還能為回答提供引用，增強用戶信任。 - 支持多種內容類型
PDF：AI 可以提取文本并理解 PDF 中的表格結構，適合處理報告和手冊。
圖片：它可以處理和分析多種格式（PNG、JPEG、BMP、WebP）的圖片，利用多模態能力理解圖表和圖形。
網頁和數據文件：繼續支持 HTML、JSON、XML、CSV 和純文本文件，適用性廣泛。
示例 2：在線產品價格比較
第二個例子，假設我們要買一副新耳機。我們將幾個在線商店的 URL 喂給代碼，讓模型找出符合我們規格的三款最便宜的產品。
這個例子可能有點多余，因為網上有不少購物比較網站，但它只是為了展示這個工具的潛力。
假設我們想買 Sony WH-1000XM5 無線降噪耳機，找到了幾家價格最具競爭力的在線商店，但價格幾乎每天都在變。我們來寫一個腳本，隨時運行都能返回三家最便宜的商店。
代碼與第一個例子相同，只有 prompt 不同：
prompt = """
根據以下 URL，輸出 Sony WH-1000XM5 耳機的三個最便宜價格及對應商店：
https://electronics.sony.com/audio/headphones/headband/p/wh1000xm5-b?srsltid=AfmBOopJmjebTtZEieUvHEf5xEke7C7piVi3BdlSUdTPJH3wuBfTksJy
https://tristatecamera.com/product/TRI_STATE_CAMERA_Sony_WH-1000XM5_Wireless_Noise-Canceling_Over-Ear_Headphones_Black_1_Yr_WH1000XM5BS2.html?refid=279&KPID=SONWH1000XM5BS2&fl=GSOrganic&srsltid=AfmBOoqnE7vgc1uOELadhkaRlhHuJx3HGRTV5ICN7ihNkFXI_UEuImZ2gXU
https://poshmark.com/listing/Sony-WH-1000xm5-Headphones-672d0ab515ad54b37949b845#utm_source=gdm_unpaid
https://reverb.com/item/91492218-sony-wh-1000xm5-wireless-noise-canceling-over-the-ear-headphones-silver?utm_campaign=US-Shop_unpaid&utm_medium=cpc&utm_source=google
https://www.thetedstore.com/products/sony-wh-1000xm5blk-us?currency=USD&variant=40129045889085&utm_source=google&utm_medium=cpc&utm_campaign=Google%20Shopping&stkn=b659bcb48606&gad_source=1&gad_campaignid=22537557305&gbraid=0AAAAADAmM1cNpON24l2EbowMzKB_XcqWW&gclid=Cj0KCQjwqqDFBhDhARIsAIHTlkskFykBTXEOuxY_je01HYLPKmho4LhM3je8NJSR24vOzxXK6OCx-hIaAj5tEALw_wcB
https://www.newegg.com/p/0TH-000U-00JZ4?item=9SIA29PK9N4805&utm_source=google&utm_medium=organic+shopping&utm_campaign=knc-googleadwords-_-headphones+and+accessories-_-sony-_-9SIA29PK9N4805&source=region&srsltid=AfmBOooONnd3a1lju0DgyhpdXlT1VtUp_skJdsx_uYH1DdHKLWPNe_DWBuY&com_cvv=8fb3d522dc163aeadb66e08cd7450cbbdddc64c6cf2e8891f6d48747c6d56d2c
"""輸出結果：
根據提供的 URL，Sony WH-1000XM5 耳機的三個最便宜價格如下：
1. **$145.00** 在 Reverb
2. **$258.99** 在 Teds Electronics
3. **$329.99** 在 Sony示例 3 — 公司財務分析與比較
這個例子中，我們將比較亞馬遜和微軟 2025 年第二季度的財報。我們要求模型分析兩份報告，提取關鍵信息，并總結兩家公司的關鍵優勢和戰略。數據來自公開的 SEC 10-Q 財報。
from google import genai
from google.genai import types
from IPython.display import HTML, Markdown
client = genai.Client(api_key='YOUR_API_KEY_HERE')
MODEL_ID = "gemini-2.5-pro"
microsoft_earnings_url = "https://www.sec.gov/ix?doc=/Archives/edgar/data/0000789019/000095017025100235/msft-20250630.htm"
amazon_earnings_url = "https://www.sec.gov/ix?doc=/Archives/edgar/data/0001018724/000101872425000086/amzn-20250630.htm"
prompt = f"""
請扮演資深財務分析師，對亞馬遜和微軟的最新季度財報進行比較分析。
請訪問并徹底分析以下兩個 URL 的內容：
1. **微軟財報**：{microsoft_earnings_url}
2. **亞馬遜財報**：{amazon_earnings_url}
僅基于這兩個文件的信息，執行以下任務：
1. **提取和比較關鍵財務指標**：
- 提取兩家公司的總收入、凈利潤和每股攤薄收益（EPS）。
- 用清晰的 Markdown 表格格式展示這些核心指標，便于比較。
2. **分析和總結管理層評論**：
- 審閱包含 CEO（微軟：Satya Nadella，亞馬遜：Jeff Bezos）和 CFO 引言的部分。
- 為每家公司寫一段總結，概述他們強調的主題。根據他們的說法，業績的主要驅動因素是什么？評論的整體語氣如何（例如，樂觀、謹慎）？
3. **識別和對比戰略重點**：
- 指出每家公司強調的主要增長驅動業務板塊或產品類別（例如，微軟的 Cloud 和 AI，亞馬遜的 AWS 服務等）。
- 對比本季度的主要戰略重點。一家更專注于企業/云服務，另一家更注重消費者硬件和生態系統增長嗎？
4. **綜合結論性執行摘要**：
- 寫一段簡潔的總結，綜合分析結果?；谶@些報告，比較兩家公司的整體健康狀況和當前戰略態勢。例如，總結哪家公司在本季度表現出更強的增長，以及在哪些領域。
僅輸出最終分析，無需輸出中間步驟或數據。
"""
config = {
"tools": [{"url_context": {}}],
}
response = client.models.generate_content(
cnotallow=[prompt],
model=MODEL_ID,
cnotallow=config
)
display(Markdown(response.text))輸出結果：
以下是對亞馬遜和微軟最新季度財報的比較分析。
1. 關鍵財務指標
指標 | 亞馬遜 (Q2 2025) | 微軟 (FY25 Q2) |
總收入 | 1437 億美元 | 619 億美元 |
凈利潤 | 104 億美元 | 219 億美元 |
每股攤薄收益 | 1 美元 | 2.94 美元 |
2. 管理層評論分析
微軟：
微軟的管理層，以 CEO Satya Nadella 為首，保持高度樂觀的語氣，強調 AI 對業務的變革性影響。Nadella 的評論突出 Microsoft Cloud 作為主要業績驅動因素，提到它幫助客戶大規模應用 AI。CFO Amy Hood 進一步指出，強勁的季度業績由 Microsoft Cloud 推動，收入增長 23%。微軟領導層的核心主題是，AI 投資不僅帶來回報，還從根本上重塑了產品和客戶關系，帶來顯著增長和市場領導地位。
亞馬遜：
亞馬遜的領導層，包括 CEO Jeff Bezos，展現出自信和前瞻性的視角。評論突出 AWS 的強勁表現，以及公司在 AI 領域的持續創新，特別是 Bedrock 服務和定制 AI 芯片的開發。Bezos 強調公司以客戶為中心的長期創新。整體語氣充滿樂觀，明確傳遞出亞馬遜在 AI 和云計算的投資正帶來豐厚成果，并將繼續成為戰略核心。
3. 戰略重點對比
微軟：
微軟本季度的戰略重點高度集中于企業和云服務，特別強調人工智能。報告反復提到 Microsoft Cloud 是成功的關鍵，具體提到 Azure、Dynamics 365 和 Microsoft 365 等產品，這些產品都融入了 AI 功能。CEO Satya Nadella 明確指出，幫助客戶大規模應用 AI 是公司的關鍵差異化和增長驅動力。
亞馬遜：
亞馬遜的戰略重點雖然也大力投資于 AWS 的云和 AI，但范圍更廣，涵蓋了其龐大的電子商務和面向消費者的業務。報告強調 AWS 的收入和營業收入增長，突出其在 AI 領域的創新，如 Bedrock 服務。但與微軟不同，亞馬遜的報告還提到其消費者業務的實力，注重選擇、價格和便利性，以及廣告服務的增長。
4. 執行摘要
根據最新季度報告，微軟和亞馬遜都展現出強勁的財務健康狀況，并戰略性地定位于云計算和人工智能的增長。微軟的報告顯示出更聚焦的戰略，Microsoft Cloud 及其集成的 AI 能力是增長的主要引擎，帶來令人印象深刻的盈利能力。亞馬遜在 AWS 領域也實現了顯著增長，但其戰略更多元化，平衡了企業云業務與龐大的電子商務和廣告業務。在本季度，微軟在凈利潤和每股收益上表現出更強勁的增長，反映了其企業軟件和云業務的高利潤率。
示例 4 — 使用 Google Search Grounding
我之前提到，你可以結合 Google search grounding 和 URL grounding 使用，但 search grounding 到底是什么？
簡單來說，search grounding 適用于需要當前信息或外部知識的查詢。使用 Google Search，Gemini 可以訪問幾乎實時的信息，提供更好的回答。
要啟用 Google Search Grounding，在 generate_content 的 config 中添加 google_search 工具，如下：
...
cnotallow={
"tools": [
{
"google_search": {}
}
]
},
...現在我們可以提問了。九月最后一個周末舉辦的 Ryder Cup 是一場激動人心的 golf 賽事。但哪位選手確保了歐洲隊衛冕成功？
from google import genai
from google.genai import types
from IPython.display import HTML, Markdown
client = genai.Client(api_key='YOUR_API_KEY_HERE')
MODEL_ID = "gemini-2.5-pro"
response = client.models.generate_content(
model=MODEL_ID,
cnotallow="哪位選手的推桿確保了 2025 年 Ryder Cup 歐洲隊的衛冕？",
cnotallow={"tools": [{"google_search": {}}]},
)
display(Markdown(response.text))輸出結果：
Shane Lowry 的關鍵推桿確保了 2025 年 Ryder Cup 歐洲隊的衛冕，歐洲隊在 Bethpage Black 以 15-13 擊敗美國隊的最后一天激烈反撲。
歐洲隊在周日單人賽前以 11.5-4.5 的領先優勢進入，只需再拿 2.5 分即可衛冕。美國隊奮力反擊，贏得了前七場比賽中的五場，制造了緊張的下午。
在壓力之下，愛爾蘭選手 Shane Lowry 貢獻了決定性一刻。他的推桿確保歐洲隊達到 14 分，鎖定衛冕冠軍。Tyrrell Hatton 隨后為歐洲隊鎖定了徹底的勝利。
這是歐洲隊自 2012 年以來首次在美洲土地上贏得 Ryder Cup。比賽并非沒有爭議，一些觀眾對歐洲隊的不友好行為引發了討論。答案完全正確！
雖然我這里沒有具體展示，但你應該能看出，結合 Google search grounding 和 Google URL context grounding 構建引人注目的數據檢索工具是多么簡單。
總結
本文介紹了 Google 為 Gemini 推出的新功能 URL context grounding，它讓開發者可以直接查詢和分析特定網頁 URL（包括 PDF）的內容，而無需傳統 RAG 流程，如文本提取、分塊和向量化。
我通過 Jupyter notebook 展示了它的易用性，成功從特斯拉的 10-Q SEC 備案文件中檢索數據，比較在線商店的產品價格，并分析了亞馬遜和微軟 2025 年第二季度的財務表現。
盡管有不支持付費墻內容和某些媒體內容的限制，這篇文章強調了 URL context grounding 在深入文檔查詢、數據提取、比較和綜合方面的能力——通過基于真實來源的回答提升準確性。
對于許多用例，這個工具有效替代了傳統 RAG 工作流，特別是結合 Google Search grounding 時，能實現更復雜的代理工作流、事實可靠性以及多模態內容分析。
