INSIGHT把 planner 与 executor 拆成独立 agent、用 MAPGRPO 分阶段做 RL，是缓解检索-推理弱耦合的一条可借鉴路径。对社区搜索的复杂 query（多实体、多条件问答帖检索），可借鉴 Goal Planning Module 的子目标分解加 Reason-Execute 的逐目标检索结构，把一次性 query 改写换成带推理的迭代检索；MAPGRPO 的多 agent 渐进式 group-relative 优化也提示，当规划和执行两个角色 reward 尺度不同时，分阶段训练比端到端联合训练更稳。

INSIGHT用两个独立 value model 分别建模 planning value 与 search value，是给 Agentic RAG 中间步骤补监督的可操作方案：plan 对不对、检索 grounding 准不准分别打分，避免单一 outcome reward 把两类错误混在一起。社区搜索若上 agentic 多轮检索，可借鉴 reasoning tree 加 MCTS 做离线 step 质量估计、再用 Hierarchical Beam Search 控制线上候选爆炸；dual value 解耦也适用于召回质量与改写规划质量需要分别归因的场景。

INSIGHT对社区搜索的直接价值在 query 理解：用户短文本 query 常常 ill-posed，信息缺失或自相矛盾。SCICONVBENCH 把主动追问缺失信息和识别并纠正矛盾输入拆成两个可独立度量的能力，正好对应搜索里的 query clarification 与 query 纠错。可借鉴其评测协议来设计对话式搜索与澄清式 query 改写的离线评估，先衡量是否该追问、追问什么，再衡量检索质量，而不是把澄清能力混在端到端相关性指标里。

INSIGHTERA 的可借鉴点是目标判据加 tree search over 上千候选解法这一 agent 框架：把开放问题转成给定 success criteria 的搜索问题，让 agent 在解法空间里组合检索、代码、评估并自评。对社区搜索的迁移意义在于，复杂检索任务（多步信息聚合型 query）也可建模成带显式成功判据的 tree search，用自评信号筛选检索-推理路径；Nature 级验证说明这类 deep research agent 的可靠性边界已能支撑高价值场景，但依赖闭源 Gemini，落地需自研同等规模 policy。

INSIGHTMementoCore 这种学一个 memory 控制器、在线决定记什么、压多少、取哪段的设计，对任何长程 agent（含 agentic 搜索、deep research）的上下文管理都通用。社区搜索若做多轮会话式检索，可借鉴其 working 与 episodic 双层 memory：working 层保留当前 query 相关的检索证据摘要，episodic 层复用相似历史会话的检索轨迹，避免把全部历史塞进上下文；ROI 级证据保留也提示，压缩 memory 时要保留可定位的细粒度证据而非只留文本摘要。

INSIGHTRAPT 的可迁移点是用检索近邻动态定阈值替代全局静态阈值，且 post-hoc、模型无关、不重训，这正是搜索排序与相关性二分阈值的常见痛点。社区搜索里相关与不相关的截断阈值常因 query 分布漂移而失效，可借鉴 RAPT：用 query 或 doc 表示检索相似历史样本，按近邻局部确定截断阈值，作为现有相关性模型的外挂层，部署成本低、不动主模型，适合先做小流量验证。

INSIGHTSkillsVote 把 agent 经验复用做成带质量门禁的生命周期：采集时按可验证性筛、推荐时做 agentic library search、演化时按归因决定是否更新，避免经验库被低质轨迹污染。对搜索与推荐侧自研 agent 平台有参考价值——沉淀 query 改写模板、检索策略等技能时，需要类似的可验证性 profiling 和执行后归因机制，否则技能库随规模增长会反噬上下文质量；执行后把成败归因到 skill、探索、环境的拆分，也是 agent 经验治理可直接借用的评估维度。

INSIGHT这是一份 deep research 与 auto-research agent 的领域路线图，价值在于给出哪些阶段 agent 已可靠、哪些仍不可靠的 stage-dependent 边界，而非新方法。对要做 deep research 类搜索产品的团队，可借鉴其四阶段划分（Creation、Writing、Validation、Dissemination）来界定 agent 能力边界：文献检索与编码实验阶段相对可靠，而新颖性判断、隐藏错误检测仍需人审，提示在搜索型研究助手里把检索加综合自动化、把结论可信度判断留给人审或显式验证模块。

INSIGHTAtlasVA 的两点对 agent 记忆设计有一般性启发：一是 teacher-free，用轨迹统计加轻量启发式自演化经验图，省掉对更大 teacher 的依赖（与本期 SD-Search 的无外部 teacher 思路呼应）；二是分层记忆要按模态保留信息，视觉用 heatmap 与 exemplar 而非全压成文本，避免有损语言化。虽然其本身是视觉空间决策、与 UGC 文本搜索业务相关性低，但自演化加模态保真的分层 memory 可作为搜索侧长程 agent 记忆结构的对照设计。