INSIGHT中国互联网团队首次以「Agentic Search + Agentic Tool Use + TIR」三轴定义开源 SOTA，并以本地生活高频任务（外卖、餐饮、旅游）为评测，是搜推业务团队最贴近的「智能体搜索」参考实现。社区搜索可直接借用 VitaBench 思路：把 UGC 检索任务拆解成「工具集 + 多轮交互」——例如给 Agent 暴露相关性召回、热度排序、用户画像、内容审核等工具接口，让 LLM 在 ReAct 循环中规划调用顺序。LongCat-Flash-Thinking 的开源权重也意味着可基于其继续做 SFT/RL，而不必从 70B 通用模型起步。

INSIGHTGEM 给出了「轻量专家 + ReAct Agent」分工的工程化模板：对结构性强的子任务用专用小模型（GNN/T5），仅在复杂、需要外部知识或多步推理的子任务上才升级到 LLM Agent。这种「按需调用 ReAct」的路由策略在社区搜索中也很关键——大多数 query 用召回+排序的传统流水线已足够，只有长尾、模糊或多意图 query 才走 Agent 路径，能在保持 P99 延迟的同时获得 LLM 的推理红利。MoE-router 框架同样可推广到搜索 Agent 中做「工具选择」。

INSIGHTProcess-Oriented Reward 把「过程可解释性」当作 reward 信号——这是一种比 outcome reward 更稳定的训练范式，对长视觉/文本搜索链路尤为关键。社区搜索的图文检索（帖子常含图片+正文）可直接借鉴：将「是否点击有效图文片段」、「是否调用了正确的多模态检索工具」作为过程奖励，构造从外部 RM 过来的稀疏 reward 之外的稠密信号，让 RL 训练更稳。同时 introspective 信号也能在线上线下评估时复用。

INSIGHTFREIA 把贝叶斯/自由能原理引入 RL reward 设计，是「无 ground truth 时如何继续 RL」的一个值得关注的解法。对搜索 Agent 训练特别有用：线上社区 query 大多没有标准答案，无法靠 RLHF/RLVR；用 FER 风格的「模型-自由能」作为奖励，可以让搜索 Agent 在没有人工标注的真实流量上做 self-play 式自我提升。AAS 的统计自适应也能缓解搜索 RL 中常见的「reward 方差爆炸」问题，是工业 RL Pipeline 可借鉴的稳定化技巧。

INSIGHTCreativityBench 把工具调用从「是否调对 API」提升到「是否能在工具不完备时创造性组合」——这是 Agent 由「工程化产品」迈向「通用智能体」的关键评测。对社区搜索 Agent 的启示：当用户 query 模糊或现有召回工具无法直接命中时，Agent 应能「重组工具链」——例如组合标签搜索 + 用户画像 + 时间衰减来回答 long-tail 需求，而不是简单调单一工具。Affordance-based 的评测视角也可以反向用于线上评估，诊断 Agent 是否仅在 happy path 上工作。

INSIGHT把 AI App Builder 当作「虚拟软件公司（Virtual Software Agency）」评估，是 Agent 评测从单点 task 转向多角色协作流程的代表性工作。对搜索 Agent 类似的启示：评测维度应该不只是「答对/答错」，还应包括 Agent 在多轮、多角色（产品-工程-运营）下的可迭代性，例如能否对用户的「再修改一下」请求做正确的局部更新。建议在搜索 Agent 内测时引入「修改请求（AMR）」评测维度，专门看模型是否能在最小化变动下满足新需求。

INSIGHTPMPO 的「Power-Mean 一族目标可在算术-几何之间连续插值」是 RL 调参的实用洞察：训练前期重信号放大（探索），后期重一致性（利用），这恰好对应搜索 Agent 在线学习的不同阶段。FAC 的「实时统计驱动的 clipping」对工业级 RL 也很关键——线上 query 流量分布漂移会让静态 PPO clip 失效，FAC 思路可直接迁移。两者都是无需额外标注、可复用现有 reward 信号的「软」创新，部署成本低，是 RL Pipeline 可叠加的稳定化模块。

INSIGHTHybrid-DPO 的核心思想——用一个细粒度的「事实/逻辑判别器」（NLI 模型）+ 一个粗粒度的「verifier LLM」组合监督，本质是把 reward model 拆为「硬判别 + 软评分」。这一思路非常契合搜索 RAG 场景：可以用 query-doc NLI 模型当硬判别（doc 是否真支持答案），LLM-judge 当软评分（回答是否流畅可读），从而在 RAG Agent 训练时同时纠正幻觉与提升可读性。该方案完全去除人工标注成本，是工业搜索团队可立即试点的对齐路线。

INSIGHTBOND 的「贝叶斯信念以可读文本形式输出」是 Agent 可审计性的关键设计：模型不仅给出动作，还给出「我认为对方在乎什么」的概率分布。对搜索 Agent 同样可迁移——例如让 RAG Agent 在每一步显式输出「我目前对 query 意图的信念分布 + 缺失证据」，便于线上诊断和 reward 设计。蒸馏到 8B 表明这一显式信念表达对部署友好的小模型也能保留，工业落地不需依赖巨型 teacher。