INSIGHT向量检索优化不应只盯单一 QPS，而要同时测建库时间、内存、高维退化、top-k 稳定性与增量更新。社区内容持续新增且召回规模变化大，PAG 的“先用廉价统计检验筛边、必要时才算精确距离”可作为 HNSW 路由层的可落地替换思路。

INSIGHTRAG 的最终目标不是获得唯一“正确”的文档全序，而是让生成器从一组足够好的证据中稳定作答。社区搜索若上线答案摘要或智能问答，可用答案质量与引用正确性反向监督重排；但消融显示生成器贡献更大，需防止联合训练弱化重排器本身的判别压力。

INSIGHT把“为何召回”变成可生成的层级路径，可为黑盒式 docid 解码增加可审计中间状态，也能把社区话题树和内容类目直接转为排序信号。实践中可先在已有 taxonomy 上验证路径生成与多路径聚合，再观察解释一致性是否能辅助 bad case 定位和运营干预。

INSIGHT搜索增强模型的关键不只是召回正确证据，还要拒绝同一上下文中的错误指令和污染片段。可把“答案正确、证据完整、未采纳禁用内容”组合成硬奖励；不过该研究的注入跟随率未改善，说明上线前仍需独立的检索内容隔离、来源白名单与安全评测。

INSIGHTLLM 能扩大探索覆盖，却不能替代结构化元数据解决“最后一公里”的可执行性；结构化检索更适合高精度、低容错任务。社区搜索可将作者、主题、地点、时效和内容类型等字段显式入索引，用结构化过滤保证候选可用，再让 LLM 负责长尾扩展与自然语言解释。

INSIGHT多轮社区搜索要在每一阶段持续携带会话上下文，而非只在生成端拼历史消息。结果表明主要收益来自稀疏召回和第一阶段点式重排，昂贵的列表式 LLM 重排主要改善最顶部结果；可据此把算力集中在 top-20，并为无答案查询增加显式拒答分支。

INSIGHTAgent 化并不会自动改善搜索：若编排器跳过召回工具，再好的澄清模型也无法补救相关性。社区搜索助手应把“需要回答时必须检索”写成受约束状态机，并分别监控工具调用率、执行失败率和 passage nDCG；澄清问题应只在意图确实不足时触发。

INSIGHT多模态 UGC 检索需要将“看起来像”与“能回答 query”分开建模：粗召回保覆盖，section 级交互捕捉局部证据，最后按答案置信度复核。训练时加入相似却错误的图片和文本，可显著提升 top-1；代价是两块 H20 训练和多级推理，需先评估线上延迟。

INSIGHT统一 nDCG 会掩盖两类根因：内容表征不成簇，或 query 标签落不到已有图像簇。社区图文搜索应先用类内相似度和 query—类中心相似度诊断，再选择对策：前者需要监督式对比学习，后者更适合 query 扩展、同义词映射或轻量领域微调。