INSIGHT该方案完整展示了从 BM25 到 dense retrieval 的迁移路径：对比学习微调 + FAISS 索引 + INT8 量化，Recall@10 从 0.26 飙升至 0.66，且推理延迟仅 6.1ms。

业务关联社区搜索中 UGC 短文本语义匹配正是 dense retrieval 的典型场景，该方案的 two-tower 架构和量化部署策略可直接复用于帖子/问答的语义召回。

证据Amazon Reviews 2023 Fashion 数据集上 Recall@10 从 BM25 的 0.26 提升到 0.66（+153%）；826,402 条目录项；中位推理延迟 6.1ms（CPU）；INT8 量化实现 4x 模型压缩。

INSIGHTLCR 无需任何训练即可提升重排效果，利用 LLM 生成答案时的 token 置信度作为文档相关性信号。这为搜索系统提供了零成本引入 LLM 重排能力的路径。

业务关联社区搜索可在现有排序管线后叠加 LCR 做精排，无需额外标注数据和训练成本即可提升 nDCG，特别适合快速验证 LLM reranking 的业务价值。

证据多个基准测试上 NDCG@5 最高提升 20.6%；即插即用设计，无需微调或额外训练数据。

INSIGHT并非所有 embedding 维度对所有 query 都有用。通过学习 per-query 的维度重要性预测器，可以在不增加推理开销的前提下同时提升检索质量和效率。

业务关联UGC 搜索中 query 类型多样（关键词、问句、口语化表达），自适应维度选择可为不同类型 query 动态调优 embedding 表征，提升语义匹配精度。

证据在标准 IR benchmark 上，相比全维度 baseline 和其他 masking 方法均有提升；推理时无需 pseudo-relevance feedback。

INSIGHT用 prefix tuning 将领域知识封装为可组合模块，通过路由策略动态选择和组合模块，实现了参数高效的跨域检索能力。

业务关联社区搜索内容覆盖多个话题领域（美食、旅行、技术等），DDR 的动态路由机制可为不同话题自动匹配最佳检索模块，无需每个领域单独训练完整模型。

证据6 个零样本下游任务上超越传统 dense retrieval；仅需 2% 的训练参数量；支持模块化组合。

INSIGHT高维向量空间中的 hubness 现象（某些向量成为大量 query 的近邻）可被攻击者利用来毒化检索结果。HubScan 通过检测异常 hub 节点来防御此类攻击。

业务关联社区搜索依赖向量检索做语义召回，hubness poisoning 可能导致恶意内容被高频召回。部署 HubScan 可作为内容安全的额外防线。

证据在 RAG 系统场景下验证了 hubness poisoning 攻击的有效性和 HubScan 检测方法的可靠性；覆盖多种 embedding 模型。

INSIGHT多轮检索对话中存在上下文依赖、指代消解和查询演化等独特挑战，现有单轮 RAG 方法在多轮场景下性能显著下降。

业务关联社区搜索中用户常有多轮交互需求（追问、细化搜索意图），MTRAG-UN 的评测框架可帮助评估和改进社区搜索的多轮对话检索能力。

证据666 个任务，2800+ 对话轮次，6 个领域；提供多轮 RAG 系统的标准化评测方案。

INSIGHTLLM 的上下文 embedding 虽然语义丰富，但忽略了结构化词义知识。通过 sense knowledge distillation 可补全这一短板，提升下游语义匹配效果。

业务关联UGC 短文本中一词多义现象普遍（如「苹果」指水果还是品牌），词义消歧能力的提升可直接改善搜索语义匹配的准确性。

证据将 sense dictionary 知识蒸馏到 decoder 模型中，在词义消歧和语义理解任务上验证了有效性。

INSIGHTLLM 可以高效地识别 taxonomy 中的覆盖盲区并生成补充节点，大幅降低人工维护分类体系的成本。

业务关联社区搜索依赖内容分类体系做查询理解和结果组织，利用 LLM 自动扩充分类树可提升 query 归类准确性和搜索结果的结构化展示。

证据在多个领域的 taxonomy 上验证了 LLM 扩充节点的覆盖率提升和质量保持能力。

INSIGHT在 LLM 推荐中引入知识图谱作为外部检索源，不仅提升推荐精度，还通过 KG 路径提供可解释的推荐理由。

业务关联社区搜索中可借鉴 KG-RAG 思路，利用社区内容知识图谱增强搜索结果的关联性和可解释性，如展示搜索结果与 query 的知识关联路径。

证据在推荐任务上验证了 KG-RAG 方法的效果提升，提供了 KG 检索与 LLM 生成的端到端框架。