1. 问题与动机
真实搜索请求往往不是单纯的语义近邻问题。例如“200 美元以下、Sony 或 Bose、降噪评价好、哑光黑色的无线耳机”同时包含价格与品牌等结构化条件、评论文本中的语义条件、外观条件，以及 AND、OR、NOT 和嵌套组合。传统 BM25 或稠密检索只能在单一表示空间内找近邻；RRF 一类融合方法本质上主要表达加权并集；self-querying retriever 通常只能生成简单键值过滤；Search-R1、DeepRetrieval 等强化学习检索器也主要面向单一后端生成查询。因此，系统设计者仍需在模型之外手工规定“调用哪个索引、如何融合候选、怎样处理否定与嵌套逻辑”。论文把这个缺口定义为检索编排能力不足，而不是单个召回器精度不足。
作者的核心判断是：如果让语言模型输出一个可执行、逻辑完备的检索程序，模型就能按查询动态决定哪些约束下推到关系库，哪些意图交给文本或图像向量索引，再通过集合逻辑组合结果。为检验该判断，作者没有只做自然语言问答，而是建立 Amazon 商品与 Enron 邮件两个混合检索基准，分别覆盖结构化字段、文本和图像。基准含每域 2 万训练查询与 3000 测试查询，复杂度从单条件到 4—5 条件、两层布尔嵌套；这使“程序是否可执行、目标文档是否到达首位”都能被自动验证。
2. 方法详解
ProRetrieval 的输出是一个 JSON DSL，包含 sql 与 retrieval_list 两个字段。sql 使用标准关系条件，并允许出现 <text_k>、<image_k> 占位符；retrieval_list 为每个占位符指定模态、检索字段和需编码的语义短语。执行时，系统先把每条文本或图像请求发往冻结的 Qwen3-Embedding-8B 或 Qwen3-VL-Embedding-8B，并从近邻索引取 Top-20 文档 ID；随后将 ID 集合替换进 SQL 的 IN/NOT IN 子句，最后由数据库原生执行 AND、OR、NOT 与嵌套子查询。占位符把向量计算与关系融合解耦：向量索引、编码器和 SQL 引擎可独立扩缩，而完整程序仍有清晰的可审计语义。
训练样本通过四步自动构造。第一步从 1—5 个叶条件采样查询结构，并按 L1/L2/L3 复杂度形成平面或两层布尔模板；第二步选定金标文档，为结构化、文本、图像叶节点生成正向或否定约束，其中数值条件带比较符，文本短语由 LLM 提取，视觉描述由 VLM 生成；第三步把叶节点编译为金标 DSL 并执行，得到真实命中文档集，同时用仅包含结构条件的“super-query”提前剪掉空结果或过大候选集；第四步由 GPT-4o 把 DSL 改写成自然语言查询。每个实例因此同时拥有自然语言、金标程序和可执行结果。
模型以 Qwen3-4B/8B 为底座，先在自然语言到 DSL 的映射上做 3 个 epoch 的 SFT，学习率 5×10^-5、batch size 64，并按验证损失选 checkpoint。4B 模型随后用 GRPO 或 DAPO 强化学习：每个 prompt 采样 4 条程序，组内奖励标准化为无价值网络的相对优势，再用裁剪策略目标更新；KL 系数为 0.001。GRPO 使用 0.2/0.2 对称裁剪，DAPO 使用 0.1/0.28 非对称裁剪和 token 级归一化，论文发现后者对长 DSL 更稳定。RL batch size 32、学习率 1×10^-6，训练使用两张 96GB RTX PRO 6000。
奖励 R = S_f + S_e + S_r + S_l 分四层：格式分检查 JSON/DSL 是否可解析；执行分检查 SQL 能否编译、占位符能否解析；结果分检查金标文档是否位于第 1 名；长度分惩罚冗长程序。四项名义上等权，但存在前置依赖：格式失败就无法获得后续奖励，执行失败也没有结果奖励，因此自然形成“先合法、再可执行、再命中、最后精简”的层级优化。作者选择 Hit@1 而非 MRR 作为结果奖励，因为每条构造查询锚定单个金标，MRR 的倒数名次会带来更噪的训练信号。
3. 核心技术贡献
第一，论文把混合检索定义为“检索程序合成”，用 SQL 的完整逻辑代数作为骨架，再把文本/图像向量召回作为一等原语。它严格包含固定 RRF、简单 self-querying 和纯 text-to-SQL 的表达空间，并能表示跨模态的否定、析取和嵌套条件。相比把所有信息压进同一向量，这一设计保留了硬约束的确定性和语义条件的容错性。
第二，四层奖励把程序正确性拆成可诊断的阶段信号。单靠 SFT 时，完整三模态 DSL 的电商 Hit@1 只有 0.680，反而低于 SQL+文本的 0.752，说明大动作空间导致多任务干扰；加入 GRPO 后完整 DSL 达到 0.809，比 SFT 提升 12.9 个百分点。图像查询从 0.323 跃升至 0.716，提升 39.3 个百分点，表明 RL 主要补足了示范学习难以覆盖的编排探索。
第三，作者构建了带可执行金标的 Amazon/Enron 混合检索基准，除了 Hit@1、Hit@3、MRR、NDCG@3，还直接度量执行成功率。人工独立构造的 OOD 查询显示 4B GRPO 在电商从 0.809 降至 0.783，DAPO 从 0.808 降至 0.793，域外差距均不超过 3 个百分点，支持模型学到的是可迁移编排模式而非只记住模板。
4. 实验结果分析
主要结果如下（电商/邮件均为 3000 条测试查询）：
| 方法 | 电商 Hit@1 | 电商 NDCG@3 | 邮件 Hit@1 | 邮件 NDCG@3 |
|---|---|---|---|---|
| BM25 | 0.571 | 0.531 | 0.731 | 0.631 |
| BGE-Reranker | 0.618 | 0.576 | 0.836 | 0.733 |
| RankGPT | 0.768 | 0.698 | 0.888 | 0.789 |
| GPT-5.5 生成 DSL | 0.693 | 0.660 | 0.855 | 0.822 |
| 4B SFT | 0.680 | 0.651 | 0.891 | 0.863 |
| 4B GRPO | 0.809 | 0.772 | 0.906 | 0.878 |
| 4B DAPO | 0.808 | 0.770 | 0.909 | 0.880 |
| 8B SFT | 0.820 | 0.782 | 0.820 | 0.782 |
电商上 8B SFT 的 Hit@1 为 0.820，比 BGE-Reranker 高 20.2 个百分点，比 RankGPT 高 5.2 个百分点；邮件上 4B DAPO 为 0.909，比 GPT-5.5 高 5.4 个百分点。4B GRPO 相比 4B SFT 的 12.9 点提升尤其关键，其 bootstrap 95% 置信区间为 [0.795, 0.823]，与 SFT 的 [0.663, 0.697] 不重叠。GRPO 与 DAPO 峰值接近，但 GRPO 峰值后震荡，需要挑 checkpoint；DAPO 更稳定，因此作者推荐 4B DAPO 作为效果与稳定性的折中。
动作空间消融揭示了收益来源：SQL-only Hit@1 为 0.650，SQL+text 为 0.752，完整 DSL 的 SFT 却降到 0.680；完整 DSL 经 GRPO 才升至 0.809。这不是图像无用，而是 4B 模型在模仿学习下难以同时掌握三条路径。按模态看，BGE-Reranker 在结构化查询仅 0.310、图像为 0.819；SQL-R1 则结构化 0.866、图像仅 0.048。4B GRPO 在结构化、文本、图像分别达到 0.843、0.690、0.716，是唯一没有灾难性模态盲点的方案。
训练后模型的 DSL 执行成功率超过 99%，残余错误主要是品牌名中撇号未转义；这可以用参数化 SQL 或后处理基本消除。作者也指出剩余性能瓶颈已经从格式合规转移到实际召回质量。推理在单张 RTX 4090 上端到端约 50ms，其中约 80% 花在向量检索，占位符替换和 K=20 候选集上的 SQL 执行各低于 1ms，因此编排层本身不是主要延迟来源。
5. 局限与未来方向
作者明确列出九类限制。DSL 依赖预定义 schema，无法直接适应无 schema 或频繁演化的语料；训练只覆盖最多两层逻辑嵌套；实验仅含电商和邮件两个领域，语料规模也只有 3000 商品与 5000 邮件，百万级集合上的候选集合组合和延迟尚未验证。当前系统每个查询只生成一次程序，不能根据中间结果多轮修正；图像效果受底层多模态 embedding 上限制约；RL 成本使论文没有报告跨随机种子方差。GPT-4o 负责查询口语化，可能引入风格偏差；系统也缺少 DSL 失败时自动退回普通向量召回的生产级兜底。
此外，论文测试集合的结构化条件比例较高，且由可执行模板反向生成自然语言，真实 UGC 查询中的省略、错别字、隐含约束和字段歧义可能更复杂。Hit@1 奖励适合单金标构造任务，却未直接刻画多相关结果、业务价值或结果多样性。后续应在真实日志上评估多标签 nDCG/CTR，并考察 schema 变化、索引新鲜度与 SQL 注入安全；生产实现也必须使用受限 AST 和参数化执行，不能直接运行模型输出的任意 SQL。
6. 工业实践意义
对社区 UGC 搜索，最值得借鉴的不是立刻用 RL 替换现有召回，而是把复杂 Query 拆成“确定性字段条件 + 模糊语义条件 + 集合逻辑”。例如“上周上海用户写的、讨论 iPhone 但不要广告的体验帖”可把时间、地域、内容类型下推到结构化索引，把“使用体验”交给文本向量检索，把“不要广告”表达为 NOT 集合；现有倒排、向量库与关系/列式存储都可保留。第一阶段可用规则或 SFT 生成受限 DSL，并将执行率、空结果率、硬条件违例率和 nDCG 分开监控。
落地时应建立严格的执行沙箱：模型只生成白名单字段、操作符和检索原语组成的 AST，服务端完成转义、参数化与超时控制；若解析或执行失败，自动回退到现有 BM25+向量融合。向量召回占论文延迟的约 80%，因此优化重点仍应放在 embedding 缓存、ANN 索引和候选 K，而不是占位符替换。论文 K=20、SQL 低于 1ms 的结论不能直接外推到百万候选，应在真实分片、过滤选择率与高并发下重测。
训练方面，可先从搜索日志中抽取可验证的复杂查询，利用字段过滤结果和人工相关性标签生成金标程序；若 SFT 在多模态路径间出现干扰，再引入 DAPO，而非一开始承担 RL 成本。奖励也应从论文的格式/执行/Hit@1/长度扩展为格式合法、零结果惩罚、硬约束满足、Top-K nDCG、延迟和业务安全等多目标。论文没有线上 A/B 数据，因此其 0.809 Hit@1 只能证明受控基准上的可行性；真正上线前应在长尾多约束流量灰度，确认 CTR、改写率、零结果率与 P95 延迟同时改善。