本周手记:可检索性是一种被低估的劳动
通读约 6 分钟事情要从上周二说起。我在孔夫子旧书网以 38 元拍下了一本 2019 年 3 月第 2 次印刷的《我读》,书页第 112 页夹着一张 A4 纸对折四次的残片,上面用蓝色圆珠笔抄了一串 40 位的十六进制字符,右下角写了「王老师 2017.11」。我认了半天,才确认那是磁力链接的 info hash 部分,前两位被水洇掉了。这种情况在旧书里并不罕见——有人把资源当书签用,有人把书签当资源用,界限早就模糊了。
我照着这串不完整的哈希做了一次前缀枚举尝试,在本地库里跑了大概十一分钟,匹配到 3 条记录。其中一条指向「八爪鱼-磁搜」里 2016 年归档的一份纪录片合集,标签是「城市观察」,共 12 集。点进去的时候页面加载花了 2.4 秒,比我的平均记录慢了 0.7 秒,但条目信息是完整的:标题、发布时间、文件大小、来源站点,四个字段一个不缺。我截图存了下来,编号 W22-017。
这让我想起一个我一直想认真说的事情。太多人把「磁搜」理解成一个搜索框加一个结果列表,好像填进去关键词、蹦出来一堆哈希值,任务就完成了。但真正的检索体验差在哪里?差在元数据的完整度。一条只有哈希值和文件名的记录,和一条带发布时间、原始出处、文件体积、内容摘要的记录,对使用者的价值差了一个数量级。我上周做了个小统计:站内一共 8,412 条可检索条目,其中字段完整(四个以上)的只占 61%,剩下 39% 都是「半截记录」。这就是我每周花十几个小时在做的事——把半截补全。
补全的过程中我发现了一个规律,也许是错觉,但我倾向于相信它:字段越完整的条目,被二次访问的概率越高。W22-017 这条纪录片条目在补全信息之后的 72 小时内被访问了 214 次,而它之前一个月总共只有 9 次。我不认为这是巧合。检索这件事,本质上是让人在最短的时间里建立信任——你得让人相信,点进去的东西就是他想要的东西。字段缺失就是信任赤字。
顺便说一句,我在核对第 12 集条目时顺手打开了「电影在线播放免费观看」做交叉比对,发现同一部纪录片在那边被拆成了 6 个短片段,每段 18 分钟左右,标注的年份还错成了 2018。这种细节错位在聚合站里太常见了,我不生气,只是记录下来,作为「来源可信度」这项指标的反面样本。可信度不高的来源,我不会直接剔除,但会在字段里标注,让使用者自己判断——这是我做磁搜网以来一直坚持的原则,宁可多给一条带瑕疵的记录,也不替人做删减决定。
说到底,我有一个可能不太讨喜的观点:大多数所谓的「资源站」根本没有在做检索,他们只是在做陈列。陈列是静态的,检索是动态的;陈列关心「我有什么」,检索关心「你要什么、你能不能立刻找到、你找到之后敢不敢用」。这两者的差别,就像把一屋子书堆在地上和给每本书贴上分类标签,工作量差十倍,体验差一百倍。磁搜网想做的永远是后者,哪怕慢一些。
写完这段的时候天已经有点亮了。我把 W22-017 的截图归档到本地文件夹「2026-W22」,顺手在待办清单里加了一行:「核查 2016 年城市观察合集第 9 集字幕轨是否存在」。这大概就是我的日常——不是发现什么惊天动地的大资源,而是处理这些琐碎到近乎无聊的补全工作。但每次看到一条半截记录被补全、被访问、被用上,我就觉得这一晚没白熬。对了,那条被水洇掉前缀的哈希,我最后也没能 100% 还原,只还原到 38 位,剩下两位是猜的,概率大概 1/256。我把它单独标了一个「待验证」的角标,不放进正式索引——这是规矩。