INSIGHT把执行器报错当作可学习信号回灌给模型，比单纯增加独立采样候选更省算力。对搜索中调用工具、生成结构化查询（自然语言转图谱或 SQL 检索）的 agent 流程有借鉴：报错日志本身是高质量反馈来源。方法无需训练，只改推理时的 prompt 拼接，适合快速验证。

INSIGHTblock 级检索同时改善了答案准确率与上下文冗余，73% 的 token 节省说明细粒度召回能显著压缩送入 LLM 的无关内容，对成本敏感的搜索 RAG 很有价值。版面分割加融合编码器适合图文混排的 UGC（含图、表、长文的帖子），但需要 block 级标注数据，冷启动需自建标注或蒸馏。

INSIGHT把 schema 语义、缩写、业务逻辑显式编码进知识库再蒸馏，对自然语言查数据、结构化检索类 agent 有参考：领域知识由外部知识库显式供给，降低对模型记忆的依赖。落地于社区搜索的结构化字段查询（按标签、地点、时间筛选 UGC）时可复用；摘要缺具体数字，证据强度需看正文。

INSIGHT两条训练经验对搜索、对话 agent 直接有用：跨 benchmark 混合训练要先过滤 memory bank 里的格式噪声以保留训练信号；在单 GPU 小 group（G=4）下二值精确匹配奖励无梯度信号，必须改用连续奖励函数。同时提示评估 agent 时别只看总分，要看分问题类型的表现差异。

INSIGHT用大规模知识图谱加图重排补充纯向量召回，针对 deep research 的幻觉与成本两个痛点。tri-path 协同召回（多路召回再按图结构重排）的设计可借鉴到需要多跳关联的复杂搜索。代价是建图工程量大，且论文标注为 Ongoing Work，开源接口已放出但成熟度待观察。

INSIGHT把迭代 DPO 的中间模型当作可融合的轨迹来稳定参考模型，对用偏好优化训练搜索排序、对话模型的团队有参考：迭代训练后期的不稳定常被忽视，模型合并是低成本的缓解手段。摘要无具体提升数字，需看正文验证实际收益。