使用共享的AI模型的搜索引擎功能性

背景技术

背景和相关技术

搜索科学家通常具有特定的技能和经验。这些技能和经验通常本质上是非常个人化的，从而搜索相同主题的不同搜索者将通常获取不同的搜索结果或不可比较的搜索结果。例如，考虑两个不同的研究人员正在搜索不同的数据集、但正在研究相似专题的情形。尽管取决于正在使用不同的数据集获取的结果将会有一些差异，但由于搜索者使用不同的搜索策略和技术的事实，研究差异将被加剧。因此，不同搜索者在不同数据集上获取的结果不能被直接比较。由于不同的搜索可以使用不同的工具的事实，这可以被进一步加剧。特别地，不同的搜索引擎和相关联的工具将对数据进行不同的分析，从而创建不可直接比较的不同结果。因此，存在以下技术问题：由不同研究科学家所使用的工具是不同的，从而不同的、非直接可比的结果被这些工具获取。

本文要求保护的主题不限于解决任何缺点或仅在诸如上述那些环境中操作的实施例。而是，此背景仅被提供以说明一个示例性技术领域，其中本文描述的一些实施例可以被实践。

发明内容

本文所说明的一个实施例包括一种用于执行协作搜索引擎搜索的方法。该方法包括在用户界面处接收用于在第一搜索引擎上执行多个搜索的用户输入。该方法还包括在用户界面处接收将一个或多个增强AI模型应用到多个搜索中的搜索的用户输入。该方法还包括基于多个搜索和所应用的AI模型来创建由一个或多个搜索引擎可执行的可共享、可执行的包(package)，该包在由搜索引擎执行时引起搜索引擎将AI模型应用到在搜索引擎处被执行的搜索。

本发明内容被提供以简化形式介绍一系列概念，其在以下详细描述被进一步描述。本发明内容既不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。

附加的特征和优点将在下面的描述中被阐述，并且部分地将从描述中变得明显，或者可以通过本文中的教导的实践而被获知。本发明的特征和优点可以通过所附权利要求中具体地指出的手段和组合而被实现和获取。本发明的特征将从以下描述和所附权利要求书变得更加完全明显，或者可以通过以下所述的本发明的实践而被获知。

附图说明

为了描述上述优点和特征以及其他优点和特征可以被获取的方式，以上简要描述的主题的更具体的描述将通过参考在附图中图示的特定实施例来呈现。理解到这些附图仅描绘了典型的实施例，以及因此不应视为对范围的限制，通过使用附图以附加的特定化和细节，实施例将被描述和解释，在附图中：

图1图示了用于创建和导出AI辅助的搜索到搜索包中的系统；

图2图示了用于将AI辅助的搜索导出到搜索包中的用户界面；

图3图示了被使用以创建可执行搜索包以及消耗可执行搜索包的搜索引擎；

图4图示了第一搜索引擎创建由不同的第二搜索引擎所消耗的可执行搜索包的情况；

图5图示了可执行搜索包的创建；

图6图示了用于创建包括一系列AI模型和搜索的包的用户界面；

图7图示了用于创建包括被并行应用的AI模型的集合的包的用户界面；以及

图8图示了执行协作搜索引擎搜索的方法。

具体实施方式

本文所说明的实施例允许搜索者通过共享可执行包来共享他们的搜索策略、搜索知识和/或搜索工具，该可执行包可以由搜索引擎执行以实现策略、知识和/或工具。这可以允许搜索者轻松复制由其他搜索者执行的搜索。搜索可以被复制在同一数据集或搜索引擎上，例如，以验证结果，可以被执行在不同的数据集或搜索引擎上，或者可以被执行在更新的数据集或更新的搜索引擎上，以在不同系统上复制搜索或在更新的系统上更新搜索。

注意，在一些实施例中，共享的可执行包将包括要在搜索引擎上执行的搜索以及要被应用到搜索的AI模型。因此，特定化的搜索可以被执行，其包括由AI模型的应用可能得出的扩展搜索结果，如下面更详细地说明的。

注意，本文所说明的AI模型一般是增强AI模型。增强AI模型将某些数据(特别地，人类可消耗数据)作为输入。增强AI模型产生以下数据：其根据增强AI模型的预先确定的增强目标对输入数据进行增强。即，增强AI模型通常通过提供关于单独输入数据片段或数据片段的组的附加数据，来尝试产生与输入数据有关的某些类型的增强数据(如由AI模型的目标所限定的)，其中该附加数据的至少部分先前未被包括在输入数据中，但可以从输入数据被解译、重新排列、推断、推导和/或推测。

在一些实施例中，增强数据通过以下来产生：聚集输入数据中的几个单独的数据片段的方面以标识重要的可分类方面，以及然后使用那些可分类的方面生成针对单独的数据片段和/或单独的数据片段的特定组。

基于AI模型的目标，某些语义被保留。这些语义可以被用于搜索生成的增强数据以标识增强数据结果，其可以被用于标识输入数据中与来自增强数据的搜索的结果相关的数据。

应用AI模型生成关于搜索结果的附加数据。该附加数据可以被过滤和被语义地索引以用于附加搜索。特别地，AI模型是由AI模型的目标所限定的特定类型和/或子类型的模型。通过应用AI模型所生成的附加数据是与AI模型的目标语义上一致的，其中索引键(index key)(即索引中要被搜索的项(term)和/或概念)被语义地索引，以使索引键与索引类型和/或子类型直接相关。由于在该特定示例中AI模型的目标是样式识别，因此附加数据被语义地索引用于样式识别，以允许附加数据出于该目的而被搜索。

如先前所讨论的，增强AI模型可以与本文所说明的本发明的实施例一起使用。增强AI模型产生附加数据，附加数据增强如上所述的输入数据。下文说明增强AI模型的多个示例。注意，这些不同类型的增强模型可以具有某种重叠和/或可以被一起使用以完成某个目标。

一个类型的增强AI模型是分类模型。分类模型具有将输入数据中的数据分类的目标。例如，分类模型可以将数据分类为表示动物、人、颜色、样式或虚拟地任何其他分类。

另一类型的增强AI模型是检测模型。检测模型具有检测数据中的某些特性的目标。例如，图像识别模型可以具有检测图像中的人物的目标。

另一类型的增强AI模型是场景识别模型。场景识别模型具有检测数据中的特定实例的目标。例如，虽然检测模型一般可以检测人物，但是场景识别模型可以具有检测特定人物的目标。

另一类型的增强AI模型是定位模型。定位模型具有检测有关时间和空间的详细信息的目标。例如，定位模型可以具有标识与数据相关的特定位置或时间的目标。例如，定位模型可以能够使用照片中的特征确定(在某个概率和/或范围内)照片在何处和何时被拍摄。

另一类型的增强AI模型是相似性(similarity)/非相似性(dissimilarity)模型。相似性/非相似性模型具有标识不同数据片段的相似性和/或差异的目标。例如，非相似性模型可以具有以下目标：确定特定的个体何时从来自照片集合中的照片中丢失。

另一类型的增强AI模型是关联模型。关联模型具有标识不同的数据片段何时相关的目标。例如，关联AI模型可以具有确定什么项目(item)典型地一起出现的目标。这样的模型可以用于标识项目何时丢失。

另一类型的增强AI模型是预测模型。预测模型具有标识可能存在的数据的目标。例如，预测模型可以具有基于静止照片中的场景来确定接下来可能发生什么的目标。备选地或附加地，预测模型可以具有预测在静止照片中的对象后面是什么的目标。

另一类型的增强AI模型是总结(summary)模型。总结模型具有总结来自不同数据片段的信息的目标。

另一类型的增强AI模型是转换(transformative)模型。转换模型具有根据一些预先确定的特性来改变数据的目标。例如，特定的转换模型可以具有将图像改变为梵高风格绘画的目标，其中梵高风格是特性。

现在参考图1，示例实施例被图示。图1中图示的实施例示出了搜索引擎102。搜索引擎102包括计算机硬件和软件，计算机硬件和软件被配置为使用用户界面104代表客户端来执行搜索。特别地，用户界面104一般被引起由搜索引擎102显示在客户端机器106处。典型地，与搜索引擎102相比，客户端机器106位于远程位置。尽管如此，搜索引擎102使用各种通信和算法动作在客户端机器106处呈现用户界面104。客户端机器106处的用户可以在搜索框108中录入各种搜索项。搜索项被提供到搜索引擎102。搜索引擎102使用索引110来将被录入到搜索框108中的搜索项、运算符(诸如AND、XOR、OR等)和/或过滤器(诸如时间过滤器、位置过滤器等)与索引110中的条目相匹配。

索引110存储索引条目与存储数据的端点的相关关系。特别地，索引110对数据集合112进行索引。数据集合112可以包括被存储在许多不同位置的大量不同的数据存储库和数据集。例如，许多基于消费者的搜索引擎使用索引，该索引对来自各种源的并被存储在环绕世界的数据存储库处的数据进行索引。因此，数据集合112在其范围上可以几乎是无限的。索引110存储与其中数据被存储在数据集合112中的端点相关的各种关键词或其他信息。索引110将返回结果给用户界面104，该结果标识用户可以在其中获取与被录入到搜索框108中的搜索项有关的数据的端点。通常，结果包括来自端点的数据的部分或全部。

在用户界面104处，用户可以选择由索引110提供的各种链接以导航到具有感兴趣数据的数据源端点。在一些实施例中，搜索结果本身可以是相关结果，而不需要导航到不同的数据源。在一些这样的实施例中，搜索结果将不链接到其他数据源，而是作为相关数据。在备选实施例中，搜索结果是相关数据，但是仍然可以包括到相关数据或可以在其中找到相关数据的数据源的链接。

一旦用户已经访问了或标记了来自返回的结果114的相关搜索结果，则在同一会话期间，用户可以通过在搜索框108中键入附加搜索项来执行附加搜索，以基于附加搜索查看其他附加搜索结果。

搜索引擎102可以具有由用户在用户界面104处应用的多个或一个或多个AI模型。例如，图1图示了AI模型选择元素116，其中用户可以选择一个或多个特定的AI模型以应用到搜索会话。AI模型120使用搜索引擎102处的硬件和软件在搜索引擎102上被实现。虽然单个AI模型被图示，但是应当理解，在其他实施例中，多个AI模型可以被实现。

AI模型120将任何相关数据作为输入。在一些实施例中，这样的数据可以是在AI模型之前、从使用数据集合112上的索引110的搜索被返回的数据。

AI模型120对各种输入进行操作以创建原始数据122。原始数据122被传递通过精化器(refiner)124以产生精化数据(refined data)126。精化数据126可以被索引以创建语义索引128。语义索引128能够被搜索引擎102搜索。这允许附加结果被获取，附加结果可以被用于过滤、总结或以其他方式修改在结果界面114(或根据需要在其他界面元素中)中被显示的结果。来自搜索语义索引128的被显示在结果界面114中的返回的结果可以是精化数据126中的数据，或者附加地或备选地，可以是来自与返回的结果相关的数据集合112中的数据。因此，例如，精化数据126可以标识具有样式的数据集合112中的数据，或先前返回的结果中的数据。如果新搜索是针对特定的样式，则来自数据集合112或来自先前搜索结果的数据可以被标识为具有特定的样式，从而来自数据集合112的数据或来自先前搜索结果的数据可以被返回作为搜索精化数据(其与数据集合112、搜索结果数据或其他数据相关)的结果。

以这种方式，通过标识可以被实现以增加可以由搜索引擎102搜索的可用数据(包括数据关系)的AI模型，可用结果由搜索引擎102扩展。在一些实施例中，精化数据126被添加到数据集合112，并且索引110被扩展为包括语义索引128，允许搜索引擎102在现有数据以及通过应用AI模型创建的数据之间进行搜索。

如上所提到的，当输入数据集被AI模型操作时，原始数据被产生。原始数据包括大量的产生的数据，其中很多将典型地不是用户感兴趣的。因此，一些实施例可以将原始数据精化为可以由搜索引擎102使用的精化数据结构。在一些实施例中，精化器计算实体(诸如上面所讨论的精化器124)可以被用于执行该功能性。精化可以涉及精化器124截断、转变、组合和/或以其他方式变换AI模型输出的部分。精化可以涉及精化器124通过可能对输出进行排序或排名、对AI模型输出的部分进行标记(tag)等，来对输出的部分进行优先级排序。针对每个AI模型或模型类型可以存在被指定的不同的精化。针对包括具有相关联的输入数据集或输入数据集类型的AI模型或模型类型的每个模型/数据组合，甚至可以存在被指定的不同的精化。一旦从AI模型获取输出数据，适当的精化就可以被应用。精化可以引起精化器提出例如典型用户将从被应用到给定数据的给定AI模型中找到最相关的内容。通过特定于AI模型的提示和/或通过获知的数据，实际被执行的精化可以被增强或修改。

作为说明性示例，某些类型的AI模型典型地被用于尝试和产生某些类型的数据。因此，在原始输出数据中被产生的数据可以被移除，以创建精化数据，该被产生的数据不是当使用特定的AI模型时被典型地评估的类型。

在一些实施例中，精化数据然后可以被语义地索引以提供语义索引(诸如语义索引128)，语义索引然后可以由用户查询。语义索引以及由搜索引擎102使用的对应的检索方法是针对标识数据中的模式和关系。例如，实现语义索引的一些实施例可以标识存在于其他非结构化数据中的项和概念之间的关系。因此，语义索引器可以能够得到非结构化数据集合并标识非结构化数据中数据元素之间的各种潜在关系。以这种方式，语义索引器可以标识相似概念的表达，即使那些表达可以使用不同的语言来表达相同的概念。与仅基于逐元素相似性对数据进行索引相反，这允许数据被语义地进行索引。

特性化结构还可以包括一个或多个运算符和/或项的集合，查询引擎可以使用该运算符和/或项的集合针对语义索引进行查询。通过将那些运算符和/或项提供给查询引擎，诸如搜索引擎102，用户可以更有效地使用该查询引擎从语义索引中提取期望的信息。

特性化结构还可以包括一个或多个可视化(visualization)的集合，可视化引擎可以使用可视化的集合可视化用户对使用语义索引的查询的响应。这样的可视化可以是对于给定语义索引的那些可视化，最有效和直观地向用户呈现查询的输出。因此，特性化结构还可以提供有效地与从AI模型的精化输出生成的语义索引进行对接的机制。随着新的AI模型和/或数据集类型变得可用，特性化结构可以被轻易地扩展。

精化还可以基于与该AI模型相关联的提示，和/或关于该AI模型如何典型地被使用的习得的行为。所获取的结果然后使用所确定的精化而被精化。然后，这些更相关的精化结果被进行语义索引以生成语义索引128。

在一些实施例中，被提供给用户的反馈基于被添加到语义空间中的新语义。特别地，搜索引擎102，其作为包括数据处理器和数据分析器以及图形用户界面的计算机实现的处理器，能够标识什么词被添加到新的或现有的语义空间中。这些可以已经被添加为用户向搜索引擎102添加新数据源的结果和/或向搜索会话或搜索添加新AI模型的结果。

注意，尽管特定的用户界面被图示，但是应当理解，其他类型的界面可以被使用。例如，在一些实施例中，电子商务网站可以是搜索引擎的用户界面的一部分。

现在参考图2，示例被图示。图2图示了由搜索引擎10显示的用户界面104。在特定的用户界面104中，用户界面104包括搜索框108。在搜索框108中，用户可以录入各种搜索项、运算符(诸如OR、AND、XOR等)、过滤器(诸如基于日期、网站、位置、语言、格式等的过滤器)和其他搜索参数。搜索引擎102将根据需要执行对各种数据库和/或其他数据存储库的搜索。搜索引擎102将在用户界面104中返回结果114。这些结果114可以是用户在使用搜索引擎进行搜索时可能期望的典型结果。在备选实施例中，基于添加AI模型的附加结果可以被显示在结果114中，如下面更详细地解释的。

所图示的搜索引擎允许用户使用搜索引擎用户界面104添加人工智能(AI)模型，以引起AI模型被应用到搜索会话。例如，图1图示了使用用户界面104中的AI模型选择元素116，AI模型120(见图1)被添加。搜索引擎102将把AI模型120应用到搜索会话。例如，如下将被说明的，通常AI模型被应用到来自一个或多个先前搜索的结果中，以创建可以被搜索的附加数据。例如，AI模型可以分析结果以标识具有某些语法样式、可视样式、科学领域、结果分析结论、或其他信息的结果。

用户然后可以在由AI模型120创建的此附加数据上执行在130处图示的一个或多个附加搜索。例如，用户可以请求展示巴洛克(Baroque)风格的所有结果。这样做是可能的，因为，在图示的示例中，AI模型120分析结果以标识结果114的各种样式，其创建表征结果的样式的附加数据，允许搜索被执行以标识特定样式的结果(或具有某个其他特征)。执行搜索130导致附加结果131被显示在用户界面104中(或者备选地被显示为结果114的一部分)。在上面说明的示例中，如由AI模型120的应用所标识的，具有巴洛克风格或看起来具有巴洛克风格的结果114中的结果将被显示在结果131中。

图2还图示了用户界面104中的导出按钮132。当用户选择导出按钮132时，搜索引擎将导出有关搜索的信息以创建可执行包，可执行包由搜索引擎可执行以允许不同的用户(如果需要，甚至是相同的用户)采用由用户实现的搜索策略和AI模型选择。特别地，图3图示了其中搜索引擎102导出由搜索引擎可执行的包118的示例。例如，包可以包括录入到搜索框108中的原始搜索，以及至少AI模型120的标识，和由用户选择的用于AI模型120本身的潜在的可执行代码，以及由用户录入的搜索130。例如，这可以允许不同的用户将在图3中图示的包118应用到搜索引擎102，以获取与第一用户相同的结果。

注意，尽管在原始示例中，被录入到搜索框108中的搜索、AI模型120和搜索130被包括在包118中，但是在其他实施例中，用户和/或搜索引擎102可以选择哪些项目以包括在包118中。例如，在一些实施例中，包可以仅包括AI模型120和搜索130的标识。这允许另一用户，或者甚至第一用户在搜索框108中执行不同于原始搜索的搜索，但是该搜索能够将AI模型120和搜索130应用到通过执行第一实例中不同的搜索而获取的不同的搜索结果。

通常，搜索引擎102将由多个不同的用户使用，每个用户从被显示给用户的各种不同的用户界面访问搜索引擎102的功能性。在一些实施例中，搜索引擎102可以向各个用户呈现可供搜索引擎的用户使用的各种包的可用性。例如，可以想象，新手或不太熟练的用户在执行搜索时可以找到由著名的熟练搜索者执行的搜索所产生的包118的可用性是一项技术益处。特别地，搜索引擎102可以向用户呈现用于选择包的各种选项，包括标识当搜索特定的主题时由著名的搜索者产生的包。较少经验的用户可以将这些包应用在搜索引擎102处，以允许新手或较少经验的用户获取在质量上与较多经验的用户的那些相似的结果。因此，由较少经验的用户使用的用户界面能够显示通常对该用户不可用的数据，但是该数据用于包含由更加熟练的搜索者使用的搜索参数的包的可用性。

注意，尽管图3中的示例图示了包118被应用到创建了包118的相同的搜索引擎102，但是在其他实施例中，包118可以被导出以用于与不同的搜索引擎一起使用。例如，图4图示了示例担心(worried)搜索引擎102-A创建包118并导出包118以用于由其他搜索引擎使用。在图4所图示的示例中，搜索引擎102-B消耗包118并在搜索引擎102-B处执行包118，其允许搜索引擎102-B处的用户使用参数来执行搜索，包括应用由其他搜索者使用的AI模型，以允许在搜索引擎102处的搜索者达到与其他搜索者相似的结果。

现在参考图5，通用化方法被图示用于创建包118。在图5所图示的示例中，搜索134(其可以包括被录入到搜索框108的搜索以及搜索130)和AI模型520的各种组合被标识和打包为可执行包118。注意，典型地，包118将包括一些类型的排序。例如，包118可以标识搜索和AI模型的应用被执行的顺序。例如，搜索可以被执行，导致某些结果。一个或多个AI模型可以被应用以用于那些结果。因此，包118将标识这个顺序：搜索，随后是搜索导致的AI模型的应用。如上面更详细解释的，AI模型的应用导致可以被搜索的其他附加数据。因此，附加搜索在这些附加可用的结果上被执行。包118包括逻辑，该逻辑用以标识在AI模型的应用之后该附加搜索被执行。注意，随着新AI模型根据需要被应用到新结果，这种情形的各种迭代可以发生。因此，搜索、AI模型应用、附加搜索等的适当链可以被执行，并且被记录为可执行代码，该可执行代码当被执行时能够在包118中复制动作。

现在参考图6，AI模型和搜索的链在其中被执行的用户界面604的示例被图示。图6图示了搜索框608。用户可以在搜索框608中录入搜索参数。如上所提到的，搜索参数可以包括搜索项、运算符、过滤器、或其他搜索参数。在搜索引擎上执行搜索将导致结果614在用户界面604中被显示给用户。用户然后可以使用AI模型选择元素616-1应用AI模型。如上所示，AI模型将基于结果614生成可以被搜索的附加数据。执行搜索630-1将产生附加结果631-1。然后，附加AI模型可以使用AI模型选择元素616-2而被应用，AI模型选择元素616-2将被应用到结果631-1和/或潜在的结果614，以创建可以由搜索引擎搜索的其他附加数据。注意，AI模型的应用可以被配置为应用到最新的结果集合(即，结果631-1)、先前获取的结果(例如，结果614)、和/或其组合。所创建的包(诸如包118)将被配置为如所指定的和应用的那样应用AI模型。

再次地，如在图6中的示例所图示的，附加搜索630-1可以被执行，产生可以在用户界面604中被显示给用户的结果631-2。注意，如由省略号图示的，该过程可以被继续进行，如原始搜索者所期望的。因此，AI模型的应用和搜索的链可以被执行和被记录，以产生可以由搜索引擎执行的包118，以完成如在第一实例中的搜索会话中相似的功能性和结果。

如前所提到的，当导出包时，用户可以选择包括和/或排除某些搜索和/或某些AI模型。例如，某些搜索和/或某些AI模型可以对于搜索者的搜索目标是外围的，因此可以从导出到可执行包中被排除。例如，用户可以使用用户界面选择工具(诸如复选框，高亮)，或其他选择工具来选择要导出的搜索和/或模型。备选地或附加地，用户可以使用某些用户界面选择工具(例如高亮，复选框)或其他工具来选择要从包中排除哪些AI模型和/或搜索。在一个特定的示例中，实施例可以排除在搜索框608中包括的(多个)原始搜索，但是可以包括AI模型的应用，该AI模型使用元素616-1、616-2，通过所应用的任何其他AI模型以及搜索630-1、搜索630-2以及所应用的任何其他搜索而被应用(同时排除录入到搜索框608中的原始搜索)。

这允许用户将给定的搜索技术应用到与在第一实例中最初搜索的不同的数据集合。例如，考虑在搜索框608处的第一搜索输入是关于马的搜索的情况。随后的AI模型被应用，并且被执行的搜索可以已经被导向到标识搜索结果，搜索结果指示马中的某些疾病和/或其他医学状况。对研究牛感兴趣的不同搜索者可能希望将曾被用于马的类似标识技术应用于牛。这允许随后的搜索者在搜索框608中执行与牛有关的搜索，但是将最初针对马执行的AI模型和附加搜索应用于在针对牛的结果中所获取的牛结果，简单地通过应用搜索引擎处的可执行包以使AI模型和附加搜索被应用于牛而不是马。

现在参考图7，备选或附加的实施例被图示。在该示例中，用户可以在搜索框708中录入搜索参数，这导致结果714。在该示例中，AI模型可以被一起应用。例如，搜索者可以确定将在AI模型716-1至AI模型716-n图示的多个AI模型添加到用户界面702，以引起这些模型被应用到结果714。附加搜索710-1可以对附加数据执行，该附加数据通过应用AI模型而产生，每个AI模型由AI模型选择元素716-1至716-n表示以产生结果731-1。如结果731-1之后的附加椭圆图示的，这可以根据需要被重复，以类似于在图6所示的方式添加附加的AI模型和/或AI模型集合以及执行附加的搜索。一旦用户已经获取了满意的搜索，用户就可以选择导出按钮732以将项搜索和/或AI模型导出到包中，包可以由随后的搜索者(或相同的搜索者)在相同或不同的搜索引擎处根据需要执行。再次，如上所述，某些AI模型和/或搜索可以被排除被包括在包中。

下面的讨论现在涉及可以被执行的多个方法和方法动作。尽管方法动作可以以某种顺序被讨论或在流程图中以特定的顺序被图示，但是除非特别说明，否则不需要特定的顺序，或者因为一个动作依赖于该动作被执行之前完成的另一动作而需要特定的顺序。

现在参考图8，方法800被图示。方法800包括用于执行协作搜索引擎搜索的动作。该方法包括在用户界面处接收用于在第一搜索引擎上执行多个搜索的用户输入(动作810)。例如，用户可以在图1图示的搜索框108中录入一个或多个搜索。

该方法还包括在用户界面处接收将一个或多个AI模型应用到多个搜索中的搜索的用户输入(动作820)。例如，用户可以使用在图1中图示的AI模型选择元素116来指示要被应用的AI模型。

该方法还包括基于多个搜索和所应用的AI模型来创建由一个或多个搜索引擎可执行的可共享、可执行的包，该包在由搜索引擎执行时引起搜索引擎将AI模型应用到在搜索引擎处执行的搜索(动作830)。例如，实施例可以创建在图1中图示的包118。

方法800可以被实践，其中创建包包括创建用于执行搜索和应用AI模型的顺序。

该方法还可以包括与创建了包的搜索引擎的其他用户共享该包。这种情形的示例被图示在图3中。

方法800还可以包括将包共享到由多个搜索引擎可访问的包存储库。例如，在图4中，搜索引擎102-B可以从诸如应用商店(app store)的存储库获取包118。

方法800可以被实践，其中创建可共享、可执行的包被执行为用户选择用户界面元素以导出在搜索会话期间执行的AI模型和搜索的结果。例如，导出按钮132可以被用于引起包被创建。

方法800还可以包括接收选择在搜索会话期间使用的AI模型和搜索的子集的用户输入。在该示例中，其中创建可共享、可执行的包通过以下而被执行：创建包括所选择的在搜索会话期间使用的AI模型和搜索的子集的包、同时排除在搜索会话期间使用的其他AI模型和搜索。因此，如上所述，并非在搜索会话中使用的所有搜索和AI模型都需要被导出到包118中。

方法800可以被实践，其中可共享、可执行的包基于针对第一主题的搜索被创建，其中AI模型被应用到第一主题，但可共享、可执行的包被创建以使得可被执行以将AI模型应用到不同的第二主题。在上面说明的示例中，包可以在搜索与马有关的信息的同时被创建，而该包稍后可以被用于执行针对母牛的搜索。

此外，该方法可以由计算机系统实践，计算机系统包括一个或多个处理器和计算机可读介质，诸如计算机存储器。特别地，计算机存储器可以存储计算机可执行指令，该指令在由一个或多个处理器执行时，引起各种功能被执行，诸如在实施例中所叙述的动作。

本发明的实施例可以包括或利用专用或通用计算机，包括计算机硬件，如下面更详细地讨论的。本发明的范围内的实施例还包括用于承载或存储计算机可执行指令和/或数据结构的物理计算机可读介质和其他计算机可读介质。这样的计算机可读介质可以是可以由通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是物理存储介质。承载计算机可执行指令的计算机可读介质是传输介质。因此，作为示例而非限制，本发明的实施例可以包括至少两种明显不同种类的计算机可读介质：物理计算机可读存储介质和传输计算机可读介质。

物理计算机可读存储介质包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储装置(诸如CD、DVD等)，磁盘存储装置或其他磁性存储设备，或可以被用于存储计算机可执行指令或数据结构的形式的期望的程序代码部件以及可以由通用或专用计算机访问的的任何其他介质。

“网络”被定义为一个或多个数据链路，其支持在计算机系统和/或模块和/或其他电子设备之间传输电子数据。当信息通过网络或其他通信连接(硬连线、无线、或者硬连线或无线的组合)被传送或提供给计算机时，计算机适当地将该连接视为传输介质。传输介质可以包括网络和/或数据链路，其可以被用于承载计算机可执行指令或数据结构的形式的期望的程序代码部件，并且其可以由通用或专用计算机访问。上述的组合也被包括在计算机可读介质的范围内。

此外，一旦达到各种计算机系统组件，计算机可执行指令或数据结构的形式的程序代码部件就可以自动地从传输计算机可读介质被传送到物理计算机刻度存储介质(或反之亦然)。例如，通过网络或数据链路被接收到的计算机可执行指令或数据结构可以被缓冲在网络接口模块(例如“NIC”)内的RAM中，并且然后最终被传送到计算机系统RAM和/或计算机系统处易失性较小的计算机可读物理存储介质。因此，计算机可读物理存储介质可以被包括在计算机系统组件中，其也(或者甚至主要地)利用传输介质。

计算机可执行指令包括，例如，引起通用计算机、专用计算机或专用处理设备执行某些功能或功能组的指令和数据。计算机可执行指令可以是，例如，二进制文件、中间格式指令(诸如汇编语言)、或甚至源代码。尽管已经用特定于结构特征和/或方法动作的语言描述了主题，但是应该理解，所附权利要求书中限定的主题不必限于上面描述的特征或描述的动作。而是，描述的特征和动作被公开为实现权利要求的示例形式。

本领域技术人员将理解，本发明可以在具有许多类型的计算机系统配置的网络计算环境中被实践，包括个人计算机，台式计算机，膝上型计算机，消息处理器，手持式设备，多处理器系统，基于微处理器的或可编程的消费电子产品，网络PC，小型计算机，大型计算机，移动电话，PDA，寻呼机，路由器，交换机等。本发明也可以在分布式系统环境中被实践，其中本地和远程计算机系统通过网络(通过硬连线数据链路，无线数据链路，或者通过硬连线和无线数据链路的组合)被链接，两者执行任务。在分布式系统环境中，程序模块可以位于本地和远程存储器存储设备两者中。

备选地或附加地，本文描述的功能性可以至少部分地由一个或多个硬件逻辑组件执行。例如但不限于，说明性类型的硬件逻辑组件可以被使用，包括现场可编程门阵列(FPGA)，程序特定集成电路(ASIC)，程序特定标准产品(ASSP)，片上系统(SOC)，复杂可编程逻辑器件(CPLD)等。

本发明可以以其他特定形式体现，而不脱离其精神或特性。所描述的实施例在所有方面要被考虑，仅作为说明而非限制。因此，本发明的范围由所附权利要求书指示，而非是前面的说明书。落入权利要求等同含义和范围内的所有改变均应包含在其范围之内。