如果有人告诉你：用一台自己拼凑的旧服务器，就能在家里复刻一个迷你版“谷歌搜索”，你可能会觉得是天方夜谭——但在 2025 年，这件事确实发生了。

本次故事的主角是开发者 Ryan Pearce。他没有背靠巨头公司，也没有巨额投资，尝试用“低配方式”重走谷歌之路：只靠一堆淘来的二手硬件、一颗不到 200 美元的 CPU、再加上 AI 的力量，就在自家洗衣房搭起了一个“迷你谷歌”。

仅凭这些，Ryan Pearce 就打造出了两个搜索引擎：

●Searcha Page ——常规版搜索引擎（https://searcha.page/）；

●Seek Ninja ——更注重隐私，不收集用户数据（https://seek.ninja/https://seek.ninja/）。

换句话说，当用户在页面输入搜索请求时，背后的服务器其实就运行在 Ryan Pearce家的洗衣机和烘干机旁。

复刻谷歌的“来时路”：从校园宿舍变成洗衣房

时间回到近30 年前，其实“谷歌搜索”的起点同样寒酸。

当时谷歌刚起步，并没有什么豪华的硬件配置，它的第一台实验服务器容量只有 40GB，运行在斯坦福大学宿舍中，机箱外壳还是用大号乐高（Duplo 积木）拼出来的。后来，是在 IBM 和 Intel 的捐助下，谷歌才把服务器升级成小型机架。

时至今日，谷歌搜索早已庞大到一个数据中心都装不下。但如果你愿意折腾，用一点巧妙的资源调度，再加上满满的毅力，也可以在一台接近当年“谷歌初代服务器”规模的机器上，复刻一个相当现代的搜索体验——甚至能把它放在自家洗衣房里。

对此，Ryan Pearce 打趣道：

“现在，我洗衣房里的存储容量，比 2000 年的谷歌还大。这想想就太疯狂了。”

某种程度上来说，他是在复刻谷歌的历史路径，只不过场景从校园宿舍换成了家庭洗衣房。

自制搜索引擎：不用云，靠淘来的旧服务器

与大部分云计算驱动的项目不同，Ryan Pearce的搜索引擎几乎完全摆脱了云，走的是自托管路线：

●上层主机：主要由旧服务器零件拼凑而成，Ryan Pearce 还给它装了一个简易风道散热。

●下层电脑：负责给整个系统提供额外支撑。

一开始，这台设备放在卧室，但由于机器太热也太吵，根本没法睡觉。后来在妻子的“提醒”下，Ryan Pearce 把设备搬到洗衣房，把网线穿墙引进去，从此服务器就一直在洗衣机和烘干机旁了。虽然热量问题并没完全解决，但至少不会影响生活：“除非门关太久，不然也不会太热。”

这样一台运行在洗衣房的搜索引擎，性能表现如何呢？据 Ryan Pearce 介绍，除了早期搜索结果偶尔有点延迟（最近几周已显著改进），整个引擎的表现让人很难挑出毛病，结果质量甚至高于预期——背后支撑它的，是一个高达 20 亿条文档的数据库。

Ryan Pearce 还计划在半年内将其扩展到 40 亿条。如果光说数字没什么概念的话，可以做个对比：1998 年，谷歌还在斯坦福时，数据库里只有 2400 万条网页；到了 2020 年，这个数字已经达到 4000 亿。

按现在谷歌的标准，20 亿当然只是“九牛一毛”。但对于一人之力而言，这已经是惊人的成果。

核心秘密：AI 加持的传统搜索

能把“废旧服务器”搞到这种规模，RyanPearce 关键靠的就是大语言模型（LLM）。

“我其实做的还是非常传统的搜索，基本就是谷歌 20 年前的那套。但我加了一点‘调味料’——用 AI 做关键词扩展，以及理解上下文。这其实是搜索里最难的部分。”

所以，虽然 Searcha Page 和 Seek Ninja 都保持着极简的界面，但背后却少不了 AI 的助力。

很多人可能会说：“我就是想要一个不用 AI 的搜索。”但其实，AI 早已深度融入搜索引擎：比如反向图片搜索，没有 AI 根本不可能实现；再比如谷歌在十年前就上线了 RankBrain，用机器学习优化搜索结果；微软更是早在 2019 年就透露，Bing 90% 的搜索结果都依赖机器学习。

因此，当人们今天抱怨 AI 让搜索变差时，往往忽略了一个事实：AI 早已是现代搜索引擎的 DNA。而 Ryan Pearce的案例则进一步证明：就算是一个人，也可以用 AI 去构建和扩展属于自己的搜索引擎。

二手硬件+顶级 CPU，DIY 成本骤降

支撑 Ryan Pearce 搜索引擎的核心，是一颗 32 核 AMD EPYC 7532：

●现在，在eBay 上不到 200 美元就能买到。

甚至为了进一步省钱，Ryan Pearce 买的还是“质检测试版”芯片。他补充说，其实他本可以花同样的钱买到另一颗线程数翻倍的 CPU，但考虑到会产生太多热量，不适合家用环境才放弃了。

除此之外，Ryan Pearce 还低价收购了许多性能可观的二手服务器硬件：由于企业三年一换机，他们淘汰的旧硬件在市场上大幅贬值，性能却依然强悍，所以只要能接受耗电高，就能用白菜价获得巨大的算力。

Ryan Pearce 正是抓住了这一点，用“白菜价”的旧设备，拼出了一个能跑现代搜索引擎的系统，其性能甚至比谷歌早期的一些服务器还强。据了解，整套系统成本仅约 5000 美元，其中约 3000 美元花在了存储上，因为半 TB 内存依然很贵，但这在 DIY 圈中已经是顶级配置。

借助 LLM“补课”：从快速原型到持续迭代

值得注意的是，Ryan Pearce 不是唯一的 DIY 搜索引擎开发者。

例如，另一位极客 Wilson Lin 就选择了一条完全不同的路线：系统依赖至少 9 种不同的云服务；开发了新的数据解析技术，大幅降低搜索引擎运行成本。他解释道，这样整体会比用AWS 便宜很多，他“才能在合理预算内推进项目”。

这两条看似迥异的路线，能走到如今的规模，其实都得益于一个关键因素：AI。很多人会抱怨 AI 拉低了搜索质量，但也正是 AI，才让这些个人开发者有机会接近“谷歌级别”的搜索体验。

围绕 AI 的最大争议之一，是搜索引擎是否过度强调它。很多时候，AI 的痕迹直接体现在结果页面上：试图“解释”你的搜索。有人喜欢节省时间，有人则非常反感。但对资源有限的个人开发者来说，LLM 却是快速构建和扩展数据集的必备工具。

以 Ryan Pearce 为例，他拥有企业软件和游戏开发的背景，并不抗拒编程中引入 AI。当前其搜索引擎代码量已超过 15 万行，加上反复迭代，实际写过的代码应该接近 50 万行，而他对于AI的用法是：先用 LLM代管某些功能，再逐渐替换成传统实现——这种方式让他能快速搭出复杂系统，然后再迭代打磨。

Wilson Lin 也评价道：LLM 确实降低了门槛。现在阻碍我们挑战谷歌的最大障碍，并不是技术，而是市场。”

“我不会让它永远呆在洗衣房”

不过，LLM 的复杂度仍超出了洗衣房服务器的承载范围。

于是，Ryan Pearce 把他打造的Searcha Page 和 Seek Ninja接入了 SambaNova 提供的 Llama 3 推理服务，以低成本获得快速的 AI 能力。此外，Ryan Pearce 还受益于 Common Crawl ——一个开放的网页数据仓库，这也是大模型的重要训练来源，甚至在项目开发过程中，他还一度因频繁抓取而被 Common Crawl 封禁过。

Ryan Pearce 感慨道：“我真的很感谢他们，希望未来能有所回馈。等我项目做大，一定会少依赖他们。”

当然，也不是所有尝试都成功了。Ryan Pearce 透露，最开始他想用向量数据库来实现搜索，结果失败了：“它确实能搜，但结果太‘艺术化’，就像 LLM 的幻觉问题一样。”