今日场景社区搜索 (UGC 短文本搜索): 用户在社区平台搜索帖子、问答、评论等 UGC 内容。 核心指标是搜索相关性 (nDCG) 和点击率 (CTR)。 关注：语义匹配、query 理解、短文本召回、排序模型、LLM 在搜索中的应用。 — 评分 10 篇，入选 10 篇，分数 3.45 – 4.30
Meta针对长期自动建模中实验跑完却结论无效的问题，EvoPilot用版本化技能、实验协议和产物核验约束研究智能体。37天、7个方向的研究纠正了漏斗深度不一致造成的负22个百分点误判；匹配比较获得离线命中率提升3.20个百分点，另一次7天线上实验测得GSRR相对提升0.66%。
DatabricksDatabricks把并行检索与串行多跳搜索合并，用CISPO在线强化学习学习何时继续搜索、何时停止，并惩罚无收益的额外步骤。在7个留出内部及公开基准上，官方报告平均端到端延迟5.8秒，在接近对照模型质量的情况下快两倍以上。
INSIGHTUGC复杂查询可设置检索轮数上限，并用召回质量与步骤成本共同训练停止策略，简单查询及时返回。步骤惩罚应结合线上延迟预算调节；博客中的5.8秒是企业检索测试结果，不能直接视为社区搜索的可接受时延或CTR收益。
Beihang UniversityHallucination-R1用两阶段GRPO训练保持语义却能暴露事实不稳定性的查询改写器，先稳定语义和多样性，再优化下游错误暴露。用其数据微调Qwen3-8B后，在该改写器生成的SimpleQuestions变体上，严格鲁棒准确率从6.08%升至16.93%，但至少一次答对的准确率下降。
INSIGHT可把强化学习生成的语义等价难例用于社区搜索问答Agent回归测试，检查换一种问法后检索和作答是否仍然一致。严格鲁棒准确率与偶尔答对衡量不同能力，需一起报告；该文没有训练搜索工具策略，其价值主要在查询改写与事实一致性监督。
Dialpad论文比较4个Qwen3和Gemma 3模型在客服多轮工具工作流中的SFT前后表现，发现标准答案历史下的下一轮评分改善不能预测自主执行成功。所有SFT模型的整体工作流评测均未成功，严格轨迹完成口径最高也只有10.4%，揭示单步指标与闭环能力的断层。
INSIGHTUGC搜索Agent应在自己的检索结果和错误历史上连续执行评测，避免每轮都喂入正确历史掩盖累积错误。建议分别记录查询改写质量、工具参数有效性、证据覆盖和最终任务完成率；下一轮模仿更像参考答案，不能作为多跳搜索上线的充分依据。
NVIDIANVIDIA提出把Agent评测从单个工具调用扩展到有状态环境中的任务完成，分别按执行轨迹和最终状态评分。文章建议跨3至5轮试验报告成功率范围，并同时统计每次成功成本；其Nemotron 3.5 Lightning案例报告PinchBench准确率86%、任务完成速度快30%。
INSIGHT社区搜索Agent可为每次工具调用保留输入、输出和证据状态，用过程评分定位失败，用最终答案和引用核验决定是否达标。应将成功率、稳定性、时延和每次成功成本一起报告；厂商示例的对照配置需要核实，不能只凭单一排行榜分数决定上线。
DLD-RL针对深度搜索智能体的长上下文瓶颈，把已有搜索轨迹中的摘要替换为原网页全文，形成保持证据关系的长文问答数据，再采用搜索RL、长文QA-RL、搜索RL三阶段训练。作者将61.6%的残余错误归因于长上下文理解，并报告深度搜索和长文基准分别提升7.3%与13.5%。
INSIGHT社区搜索中的跨帖子证据整合可以复用搜索轨迹构建长上下文训练集，重点保留引用关系与答案监督。应分别检查检索是否找到证据、模型是否在长上下文中正确使用证据；不能把更多检索轮数自动等同于更好的答案。原文日期早于本次RSS更新。
University of GöttingenAutoRecLab将自然语言实验要求转化为推荐系统实验代码，先生成并验证原型，再逐步扩展完整实验。系统结合文档RAG、静态类型检查和执行反馈驱动的树搜索；在6种算法、3个数据集的比较中，9次运行有8次成功，使用GPT-5.4-mini平均每次约1美元。
INSIGHT可将这套执行反馈闭环迁移到社区搜索离线实验，先明确数据切分、候选构造和评价指标，再让Agent查询内部库文档并实现原型。低成本运行值得试验，但样本只有9次；代码可执行仍需配合标签泄漏、指标口径和实验复现检查。
OpenAIV7将企业文件中的实体、关系和引用证据组织成Context Graph，供Agent查询；图中信息不足时回退到文档RAG。官方案例称，检索系统在HERB上相对官方基线提升69%，不可回答问题的幻觉降低38%；最难图查询中GPT-6 Astra准确率为89%，GPT-5.6 Sol为78%。
INSIGHTUGC跨帖子搜索可试验带原文引用的实体关系记忆，把经常重复抽取的上下文前移到索引阶段，并保留原始检索回退。案例数据来自厂商和客户自报，缺少完整独立复现材料；业务试点仍需核验更新时效、引用正确率及维护成本。
University of Tübingen
Aleph AlphaLab1141研究发现推理模型面对信息不足的问题反而生成更长思维链，因而通过SURE奖励把是否足够作答与推理资源分配共同纳入GRPO训练。对多个4B模型微调后，作者报告拒答表现平均提高12.8%、思维链平均缩短44%，同时保留可回答问题上的回答能力。
INSIGHT对社区短查询，可借鉴信息充分性判别：证据不足时触发澄清或补充检索，而非继续无效推理。该论文验证的是欠明确任务上的拒答和长度控制，尚未证明UGC检索收益；落地时必须同时监测错误拒答、可回答覆盖率以及搜索相关性。
Northeastern University论文用产出质量相对于交互成本重新衡量人机协作生产率，在2个数据集、4类任务上分析协作过程。结果显示相同质量的会话交互成本最多相差70倍，用户主观评分也不能替代生产率；高效会话更常出现智能体早期探询与较少的用户修复。
INSIGHT社区搜索Agent可以在答案质量之外，记录用户补充条件、纠正误解和重复搜索的成本，识别高质量但费力的成功案例。将澄清提前可能有价值，但应按任务类型实验；这项分析不等同于证明越少轮次越好，也没有直接提供CTR或nDCG提升。