全球7000种语言，AI能翻译的不到200种。但更让人头疼的是：人类学习时的大脑跳跃，搜索引擎根本跟不上。
上周，一位开发者读了一篇关于量化的ArXiv论文，随即去NVIDIA论坛搜索FP16与INT8的对比，又转到GitHub找带优化内核的Llama.cpp分支——这套"脑力体操"耗时费力，Google做不到，大模型也做不到。
于是他换了个思路：用1951年诞生的K近邻算法（KNN），把100次谷歌搜索的约800条结果合并成一个语料库，全部嵌入向量空间，再跑一遍余弦相似度KNN。结果令人意外——42.2%的邻近链接跨越了不同查询的边界，797份文档每一份都在其前8个邻居中至少有一个来自其他搜索。
技术实现上，他设计了四步流水线：ingest.py用DuckDB收集多查询结果，保留(url, query)对；embed.py将标题、摘要、域名、查询词转为向量存入Chroma；neighbors.py在全局空间跑余弦KNN；serve.py提供最小化API和点击即查的UI。高亮链接意味着它们来自不同查询。
核心转变在于：从"这个查询排什么名"变成"这个文档附近有什么"。KNN的本地性让它无需训练，直接挖掘嵌入结构里已有的关联——跨查询、跨域名、跨抽象层级。
完整代码已开源。一个1951年的算法，解的是2024年的信息过载。