INSIGHT价值在于把「喂给 LLM 的文档该长什么样」从零散的单点改造，变成一个可控的、13 种变换横向对照的实证结论，明确了 selection/summarisation/reformulation 哪类更影响下游生成。对社区搜索的启示：在 LLM 重排或问答场景中，召回后对 UGC 文本做面向 LLM 消费的表示改造（裁剪冗余、按 query 重组），可能比单纯堆召回量更划算，且这是低成本即可上线的工程改造点。

INSIGHT思路转变是关键：不再只调模型，而是把「检索-推理-计算」的链路当成可编译的数据流水线来治理噪声与计算脆弱性，并天然带来可审计性。对社区搜索/问答的启示：当 UGC 问答涉及结构化事实或数值（如商品参数、评分统计）时，可借鉴 data-centric compilation 把易错的数值推理从自由生成中剥离、做成可校验步骤，降低高风险场景的幻觉率。来自腾讯团队，偏工业落地视角。

INSIGHT核心是给检索排序引入一个与语义相似度正交的信号——单位长度内的可核实事实密度，用来对抗「词面占优但信息稀薄」的内容。对社区搜索的启示：UGC 普遍存在「口水多、干货少」的长帖，可借鉴 FD* 思路在排序中加入事实/信息密度特征，把高信息密度的优质回答提到前面，缓解相关性高但内容空泛的问题。

INSIGHT把「造数据」本身变成一个以下游模型指标为奖励的闭合优化任务，让 agent 自主决定造什么、怎么造、何时停。对搜索/推荐的启示：相关性标注、query 改写样本、难负例挖掘等都极依赖数据工程，可借鉴「以后训练指标为反馈的 agentic 数据生成」来自动化构造领域训练集，尤其适合社区垂类冷启动时缺标注数据的场景。

INSIGHT亮点是用 plan-rollout-evolve-prune 的生成式流程造出「会随时间演化、跨异构数据源」的长期记忆评测，逼近真实助手场景。对社区搜索/对话式推荐的启示：当产品演进到带记忆的搜索助手时，需要这种异构、可演化的记忆评测来衡量个性化记忆质量；其 evolve/prune 思路也可借鉴用于用户长期兴趣记忆的更新与遗忘机制设计。

INSIGHT这是一个有价值的负面结果：把不可信文本「包成工具调用」并不能可靠地抵御 prompt 注入，提醒不要依赖指令层级标签做安全边界。对搜索的启示：当用 LLM 做 UGC 相关性打分/内容审核时，被检索到的用户文本本身就是不可信输入，单纯靠 prompt 结构隔离不可靠，需要更强的输入消毒或专门的防注入机制，尤其在 LLM-as-Judge 用于线上相关性评估时。

INSIGHT两个可迁移结论：一是开源 embedding 在垂直检索上已可与闭源抗衡，二是自动评测会因「正确但非标准答案」的相关文档而系统性误判检索质量。对社区搜索的启示：UGC 检索同样存在「多条等价相关结果」，沿用单一 golden 的离线指标会低估真实相关性；评测应允许多正例，且选型上不必迷信闭源 embedding。