火山引擎开源 Agent 驱动的搜索自迭代技术¶

Ch04.788 火山引擎开源 Agent 驱动的搜索自迭代技术¶

📊 Level ⭐⭐ | 2.8KB | entities/火山引擎开源-agent-驱动的搜索自迭代技术.md

火山引擎开源 Agent 驱动的搜索自迭代技术¶

WeChat-字节跳动技术团队 | 发布于 2026-07-29 | 评分入库 v×c≥49

核心内容¶

Viking AI 搜索 2026-07-29 18:00 北京 会调用搜索，只是 Agent 搜索能力的第一步。更难的是：当结果不好时，它能不能找到改进方向，并通过一轮轮实验把搜索变好？ 假设你刚上线一个商品搜索应用：搜品牌、品类和型号基本正常，但用户输入“适合通勤的轻便双肩包”，结果就开始跑偏。 你提高语义召回权重，长句理解变好了，精确型号词却可能变差；提高关键词匹配门槛，前几条结果更准了，零结果又开始增加；放大候选集，召回更多了，噪声和延迟也可能随之上升。 很多搜索项目都会遇到类似的调优困境。问题不是没有参数可调，而是这些参数彼此影响：一次看似简单的修改，往往同时改变召回、排序、零结果率和延迟。要判断一组策略是否真的更好，还需要准备 Query、批量搜索、相关性标注、离线评测和 Bad Case 分析。 过去，这套工作依赖搜索专家反复试验。每一轮都能做，但很难低成本、可复现地持续做。 于是我们开始思考：既然 Agent 已经能够理解目标和调用搜索，它能不能再向前一步——根据当前数据和 Query 分布，自动提出候选策略，用实验验证收益，并告诉开发者“为什么这组配置更好”？ 围绕这个问题，火山引擎在开源项目 SearchCLI 中开放了 vs search tune。开发者提供应用、数据集和 Query Set 后，Agent 可以调用它完成 Query 校验、实验规划、候选策略生成、批量搜索、相关性标注、指标计算、结果对比和候选 Scene 创建。 在服饰商品、综合商品和图片内容等三个业务数据集的阶段性离线评测中，自动调优策略相较默认策略，NDCG@20 提升 11.66。

关键要点¶

• 原文完整记录：原文存档
• 关联主题：Agent Architecture、Agent Orchestration Patterns、Agent Evaluation Benchmarks

相关实体¶

Agent Architecture Agent Orchestration Patterns Agent Evaluation Benchmarks Evaluation Harness Design