INSIGHT对搜索 agent 训练的启示：轨迹级 reward（只看最终答对没答对）对多轮检索-推理的中间步骤几乎没有指导，SDAR 用一个带门控的 token 级蒸馏信号补足密集监督，且通过 sigmoid 门区分对待「teacher 认可」与「teacher 否定」——后者可能源于检索/技能利用不完美，不能一味惩罚。Search-QA +7.0% 说明该框架能直接迁移到检索问答型 agent；门控设计是把辅助蒸馏稳定接入 RL 主干的关键工程技巧。

INSIGHT对社区搜索做 agent 化的直接警示：在 agent 内部，简单的词法检索（grep/BM25 类）往往比向量检索更准、更鲁棒，向量召回的语义优势在 agent 多轮上下文里并不一定兑现。更重要的发现是 harness 与工具调用风格（inline vs file-based 结果）对端到端效果的影响可能大于检索算法本身——这意味着搭建搜索 agent 时，工具结果如何回灌进上下文、用哪套 harness，应当作为一等超参来调，而非默认上向量库。

INSIGHT把「检索配置（召回打分、融合权重、答案策略）」本身当成可被 LLM 自动调优的动作空间，是对推荐/搜索系统调参范式的一个新视角：传统做法是人工网格搜索打分公式与融合权重，这里改成由 LLM 读失败案例做根因诊断并自动改配置，且带自动回退防退化。对长期会话型社区搜索（跨多轮记忆用户偏好），检索机制需随数据漂移而自适应；+25.7% 的相对提升说明「配置随用随调」比固定打分函数有显著收益。

INSIGHT把检索从「向量 top-k 查找」重构为「query 条件化的图遍历」，且用 RL 以下游任务端到端优化路由与边权——这对需要多跳关联的社区搜索（如「找与某帖观点相反的高赞回答」）有借鉴价值：关系强度/置信度不再靠人工规则而是可训练的边特征，路由网络按 query 意图动态加权不同关系视图，能软性抑制噪声关联。代价是需要 RL 训练与图基础设施，落地门槛高于纯向量召回，适合关系结构明确、对多跳质量敏感的场景。

INSIGHT对要自建搜索/推荐 agent 训练管线的团队，价值在于把「沙箱环境生命周期管理」抽象成可复用原语并跨 harness、跨训练阶段统一——这正是工业界做 RL agent 训练时最容易重复造轮子、最难复现的部分。开源 + SFT 到 SFT+RL 的完整配方（SWE-bench 64.3%→67.5% 印证 RL 增量）提供了可直接借鉴的工程骨架；GUI/WebVoyager 类配方与 web 搜索 agent 的环境交互范式高度相通，可作为搭建检索 agent 训练环境的起点。

INSIGHT核心洞察是「持续自改进的关键不是造更多合成数据，而是让模型学会构造难度结构性地超出自身能力的世界」——解-验非对称（写代码 oracle 易、自然语言执行难）保证奖励在学习者变强后仍有信息量、且无法靠刷验证器作弊。对搜索/推荐而言短期落地性弱（偏推理 RL 研究），但其「奖励信号要相对学习者保持难度」的思想，对设计搜索 agent 的训练课程与防 reward hacking 有方法论参考价值。

INSIGHT对评估搜索/推荐 agent 的方法论启示：在 mock 服务+最终答案校验下测出来的指标会系统性高估真实部署表现；应转向「真实运行时 + 副作用审计 + 语义判定」的混合评分。最反直觉的发现是「仅换 harness 就让同一模型波动 18 分」——这与第 3 篇 Grep 论文的结论相互印证：harness/工具调用方式是 agent 系统的一等变量。落地前应在与生产同构的运行时上做长程评测，而非仅看短程 benchmark。

INSIGHT对搜索/推荐 agent 上线的实际价值：新场景/新品类冷启动时没有线上交互日志可学，Preping 证明可以「先用受控自生成练习预热程序性记忆」，达到接近线上经验积累的效果，且部署成本低 2~3 倍。关键设计是 proposer memory 这个控制状态——它决定下一步该练什么、存什么，避免合成任务发散；这套「Proposer-Solver-Validator」闭环可迁移到搜索 agent 的冷启动预训练，降低对真实流量回放的依赖。

INSIGHT对长程搜索/推荐 agent 落地的工程警示：多步委托链中误差会复利累积，20 步后语义保真可掉 19–34%——这正是 agentic 搜索做多轮检索-改写-合成时最隐蔽的风险来源。最具操作性的结论是「用结构化/可执行表示（Python）做中间状态，退化可压到 <1%」，与第 2 篇 PyRAG「用可执行代码表示多跳推理」的思路一致：把 agent 的中间状态显式化、可执行、可校验，并辅以验证回路与编排，是抑制长程误差累积的关键工程手段。