Agentic search models¶
Ch04.412 Agentic search models¶
📊 Level ⭐⭐ | 5.5KB |
entities/agentic-search-models-softwaredoug.md-> 原文存档
Summary¶
7×8=56 - Article ingested from newsletter candidate pipeline.
Notes¶
→ 原文存档
相关实体¶
深度分析¶
传统搜索系统的架构根植于模块化的"乐高思维"：BM25 负责词项匹配，嵌入模型承担语义相似度计算，重排器优化结果顺序，查询分类器做意图识别。这些组件各自独立、边界清晰，通过预定义的管道串联组合。这种设计在过去 20 年被证明有效，但它存在根本性局限——每个组件只"看见"自己负责的局部，无法从全局视角理解搜索过程。 Agentic Search（代理式搜索）的出现彻底改变了这一范式。与其让人类工程师手动编排各个模块的调用顺序，不如训练一个 LLM 作为"中枢指挥官"，让它决定何时调用何种检索工具。检索工具退化为薄包装（thin wrappers），暴露给 Agent 的只是简单的关键词检索、向量相似度搜索或过滤器操作，而真正的决策智能交给专用的 Agentic Search Model。
前沿模型的 80/20 困境¶
以 GPT-5 和 Sonnet 为代表的前沿大模型在通用搜索场景中表现不俗——它们具备强大的查询理解和内容匹配能力，能覆盖约 80% 的用户需求。然而真正决定搜索系统商业价值的，恰恰是剩下的 20%。这 20% 包含的是垂直领域的隐性知识：电商平台用户搜索"bistro tables"实际上想找的是"小型户外餐桌"而非餐厅设备；时尚搜索场景中用户更倾向于点击深色或纯色款式而非复杂图案。这些知识不存在于通用模型的训练数据中，也不是简单的提示工程能解决的。 Doug 指出了一个关键认知偏差：前沿模型对"搜索"的理解是基于 Web Search 形成的直觉——它们假设底层的检索工具近乎完美、延迟极低、覆盖极广。但现实中的企业搜索场景恰恰相反：数据规模有限、领域高度专注、用户行为具有高度垂直规律性。这导致用前沿模型做垂直搜索时，需要大量"上下文工程"来约束模型行为，成本极高。
Agentic Search Models 的崛起¶
SID 以 SID-1 模型 率先入场，随后 Glean 发布 Waldo，Charcoal 等初创公司开始提供针对用户语料的定制化方案。这些模型的共同特点是：训练目标聚焦于搜索任务本身，而非通用语言理解。它们不是为了"理解世界"，而是为了"orchestrate retrieval tools"。SID-1 相比 GPT-5 实现了更小的参数规模和更低的延迟，这意味着它更适合集成到需要实时响应的大规模搜索系统中。 这一趋势的深层含义在于：搜索系统的设计哲学正在从"构建复杂管道"向"部署专用模型 + 简单检索原语"迁移。未来的搜索架构可能是：底层是轻量、可扩展的基础检索工具（BM25、稠密向量检索、简单过滤），上层是理解业务域的 Agentic Search Model 做决策编排。如果嵌入模型的市场能从 Hugging Face 上数以百计的垂直领域模型中获益，那么 Agentic Search Models 没有理由不会走上同样的路径——为金融、法律、电商、招聘等不同领域训练专门的模型。 当然，当前的 Agentic Search Models 在延迟上还未达到直接驱动 Site Search 的标准，但从技术演进曲线看，这一瓶颈的突破只是时间问题。
实践启示¶
1. 重新评估 RAG 的必要性 如果你的垂直搜索场景正在依赖复杂的 RAG 管道来弥补通用 LLM 的领域知识不足，应该开始关注 Agentic Search Models 这一替代路径。专用模型可能在更低的推理成本下实现更好的领域适配。 2. 关注"最后一公里"的领域知识捕获 搜索系统的增量价值往往不在于召回率的普遍提升，而在于对特定用户行为模式的理解。投入资源建立结构化的领域知识库（什么查询对应什么意图、什么内容类型转化率更高），是 Agentic Search Model 发挥效果的前提条件。 3. 架构思路：从"编排组件"转向"委托决策" 传统思路是不断在管道中加入新的处理节点（Reranker、Query Classifier、Filter），形成越来越厚的 Middleware。Agentic Search 的思路是倒过来——简化底层工具，让模型拥有更大的决策自由度。这是架构层面范式转移，需要重新思考评估标准和监控方式。 4. 密切跟踪新兴玩家 SID-1、Waldo、Charcoal 等产品仍处于早期阶段，但方向已经明确。对于有自研搜索系统能力的团队，可以开始做 PoC；对于没有自研能力的团队，可以关注这些产品的企业级落地进展。