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 3.55 – 4.10
Shanghai AI Lab该论文把 Deep Research 从“多轮搜索问答”推进到真实长周期研究任务，关注规划、证据收集、文件理解、知识综合和报告生成。它提出统一轨迹构造范式，把封闭式 QA 与开放式研究任务结合，用于训练更接近研究助手的长程智能体。摘要未披露最终 benchmark 数字，但任务覆盖从检索到结构化报告的完整链路。
这篇论文的核心判断是：Deep Research 不等同于 Deep Search。已有搜索型 Agent 主要围绕封闭式问答、信息定位、证据核验来构造训练数据，这类任务容易自动验证，也适合规模化合成，但它主要训练“找答案”的能力。真实研究任务还要求模型制定分析框架、处理开放目标、整合冲突证据、理解用户上传文件、按约束生成可交付报告。作者认为当前瓶颈不是缺少搜索工具，而是缺少同时覆盖信息获取、知识综合、规划决策、文件理解、结构化输出和技能调用的高质量长轨迹。
论文把这一差距落实到能力覆盖上：对比 Tongyi-DeepResearch、OpenSeeker、OpenResearcher、MiroThinker、REDSearcher、Vision-DeepResearch、Step-DeepResearch 等系统后，作者指出很多模型覆盖长程推理，但对 deep research instruction following、report writing、file/document 任务、dynamic skills usage 的显式覆盖不足。S1-DeepResearch 的目标就是构造能训练这些能力的统一数据底座，并发布 32B 模型和 15K 高质量 agentic trajectories。对搜索/推荐从业者来说，这个问题很现实：复杂搜索需求通常不是“找一个网页”，而是需要多源检索、证据压缩、冲突消解、排序解释和可读交付物，这正是传统 RAG 或单轮搜索 Agent 容易断裂的地方。
S1-DeepResearch 的方法由三段数据构造系统和一个监督微调目标组成。第一段是 Graph-Grounded Task Formulation and Complexity Evolution。系统先从 Wikipedia Entities 初始化 seed entity pool，然后用四级过滤选实体：基于拓扑和流行度过滤 sitelinks 与 2-hop neighbors，去掉过冷和过泛实体；过滤低信息密度实体，例如纯时间或数值实体；做 searchability verification，要求候选实体能搜到足够有效网页；最后做安全过滤，排除敏感或不稳定主题。实体选好后，用 Wikidata 多跳关系和开放网页检索构造 directed acyclic graph，并把网页中的文本实体、关系、事件以及图片/图表中的视觉概念解析为异构节点。再通过 community detection 把大图切成语义内聚的 connected subgraphs。
第二步是 query generation 和 self-evolution。系统在生成任务前注入约束，约束空间包含 9 个维度：Source、Argumentation、Reasoning、Objective、Hypothetical、Output Format、Output Scale、Execution、Contextual。开放式任务用这些约束生成研究型问题，封闭式任务则从子图生成可追溯答案。为了避免问题太容易，封闭式 QA 还做语义驱动的 query evolution：逐步弱化显式实体线索，把实体替换为背景描述、功能角色或关系表达，迫使模型进行多跳探索，而不是靠关键词直连答案。
第二大阶段是 AgentLoop Execution and Trajectory Refinement。任务进入沙箱环境后，Agent 通过原子工具完成 rollout。工具环境不是固定工作流，而是通用工具池，覆盖 web search、web visit、academic search、file parsing、code execution、bash、image search、image QA、video QA 等 9 类工具。每条轨迹由 user task、中间 reasoning/tool action、environment observation、final response 组成。系统还对不同场景做 refinement：例如把部分轨迹重塑为原生多模态查询、上传文件输入、可执行 artifact delivery，或要求最终输出符合 deep research report 的质量标准。
第三阶段是 Multi-Dimensional Trajectory Verification。作者为五类能力分别设计自动 verifier，检查动作序列、约束满足、引用与证据一致性、输出格式和任务完成质量。以报告生成场景为例，verifier 不只看最终文本流畅度，还检查正文引用是否与参考列表对齐、引用证据是否实质支持对应 claim。训练阶段采用 Qwen3-32B 作为 backbone，对筛选后的轨迹做 supervised fine-tuning。损失只监督 assistant-side actions 和 final answers，environment observations 作为外部输出不参与 loss。这个设计让模型学习“在已有观察条件下选择下一步动作”以及“证据足够后如何综合最终响应”。
第一，论文把 deep research 的训练数据从 search-centric 扩展到五类能力：long-chain complex reasoning、deep research instruction following、deep research report writing、file understanding and generation、skills usage。相比只训练网页搜索和答案核验，这种覆盖更接近真实研究助手。
第二，graph-grounded 任务构造把开放式研究任务变得可控。用实体图和约束空间先定义探索边界，再生成任务，可以同时保留开放性和可验证性。它解决了开放任务难以规模化生成、难以过滤质量的问题。
第三，AgentLoop 和多维 verifier 让轨迹不仅包含最终答案，还包含工具调用、观察、约束执行、证据引用和交付物生成过程。对模型训练而言，这相当于把“研究工作流”压成可监督的行为数据，而不只是给一个理想答案。
第四，S1-DeepResearch-32B 证明 32B 级模型通过高质量 agentic trajectory SFT 能接近更大模型在部分 deep research benchmark 上的表现。论文反复强调参数效率：提升来自覆盖五类能力的数据，而不是简单扩大模型规模。
评测覆盖 20 个 benchmark 和 5 个能力维度。公共 benchmark 包括 BrowseComp、BrowseComp-ZH、GAIA、HLE、xBench-DeepSearch、LiveVQA、MM-Search、BrowseComp-VL、RealXBench、MM-BrowseComp、HLE-VL、DeepResearch Bench、DeepResearch Bench II、ResearchRubrics、ComplexBench、GAIA attachment subset、GTA 等。内部 benchmark 包括 FileSys、DeepResearchIF、SkillsUse：FileSys 有 454 个样本，覆盖 DOCX、PDF、HTML、XLSX、SVG、数据可视化等 artifact generation；DeepResearchIF 有 900 个样本，覆盖 9 个顶层约束类别和 26 个细粒度约束；SkillsUse 有 400 个 query，并按 Result、Execution、Skill Usage 等维度评估。
| 任务 | S1-DeepResearch-32B | 对比基线 | 关键观察 |
|---|---|---|---|
| Text long-horizon overall | 53.5 | Qwen3-32B 17.8 / Qwen3-235B 23.0 | 32B SFT 后大幅超过同源 backbone 和 235B 基线 |
| xBench-DeepSearch | 79.3 | Qwen3-32B 39.0 / Qwen3-235B 45.0 | 职业场景深搜索收益明显 |
| Deep research report overall | 48.7 | Qwen3-32B 35.2 / Qwen3-235B 37.3 | 学到证据收集到报告构造的完整流程 |
| DeepResearchIF Query-Level Acc. | 25.2 | Qwen3-32B 4.1 / Qwen3-235B 7.4 | 复杂研究约束跟随显著增强 |
| DeepResearchIF constraint macro avg | 74.3 | Qwen3-32B 28.9 / Qwen3-235B 54.9 | 9 类约束注入带来稳定收益 |
| FileSys | 69.3 | Qwen3-32B 44.7 / Qwen3-235B 37.0 | artifact 生成能力明显提升 |
| SkillUse overall | 70.1 | Qwen3-32B 44.9 / DeepSeek-V3.2 70.8 | 接近 671B 级通用模型 |
消融不是以传统组件 ablation 表呈现，而是通过能力维度和轨迹统计分析解释贡献。数据统计显示，不同能力的轨迹形态明显不同：deep research report generation 平均工具调用最多，为 23.5 次，total length 约 51,625，final answer length 约 8,921；long-horizon reasoning text 有 18,246 个样本，平均 10.7 次工具调用；multimodal long-horizon 有 5,203 个样本，平均 8.8 次工具调用且工具类型更丰富；file understanding & generation 有 8,507 个样本，最终答案短但中间解析和执行步骤重要。整体 49,299 条轨迹平均 9.7 次工具调用、20,431 token 总长度、1.92 类工具。
结果中也有不足。BrowseComp 上 S1 为 36.7，低于 Gemini-3.1-Pro-Preview 的 85.9、Claude-4.6 的 74.7，也低于 MiroThinker-1.7 的 74.0；HLE(Text) 为 30.3，落后多个前沿模型。多模态方面差距更明显：S1 使用外部感知工具把视觉输入转成文本观察，在 LiveVQA 为 67.7、MM-Search 为 54.4、BrowseComp-VL 为 39.1，明显低于部分原生多模态或专门多模态 deep research 系统。作者把这归因于 tool-augmented perception 与端到端多模态表征之间的架构差异，细粒度视觉 grounding、空间推理和跨模态对齐仍然是间接的。
作者在局限和讨论中给出的主要限制有三类。第一，当前训练主要是 SFT，虽然能模仿高质量轨迹，但没有充分利用长期交互环境中的反馈信号。作者明确提出未来要研究 agentic reinforcement learning 和 online preference optimization，用长程反馈进一步改进规划、决策和自适应工具使用。
第二，多模态能力是外部工具增强，而不是原生多模态建模。图像先由感知工具转成文本观察，再给语言模型推理，这会削弱细粒度视觉定位、空间关系理解和跨模态一致性。因此在 BrowseComp-VL、MM-BrowseComp、HLE-VL 等 benchmark 上，S1 与专门多模态系统仍有差距。
第三，开放式 deep research 的验证仍依赖自动 verifier 和任务约束设计。论文已经用引用对齐、证据支持和场景化 verifier 降低幻觉，但对于真实业务中的主观质量、长期用户满意度、在线收益和安全风险，仍需要人工评估与线上反馈闭环。作者没有充分展开成本、延迟和工具失败恢复，这些是工业部署必须补齐的部分。
对搜索/推荐团队最重要的启发是：如果要做 Agentic Search，不应把目标设为“让模型多搜几轮”，而应把复杂搜索过程拆成可观测、可训练、可验证的轨迹。S1 的数据结构非常适合迁移到社区 UGC 搜索：用户 query、检索动作、帖子/评论观察、过滤器选择、重排解释、证据引用、最终摘要都可以成为轨迹中的 token 与事件。这样后续无论做 SFT、reward model 还是离线评估，都有明确对象。
第二个启发是任务生成和评估都需要约束空间。社区搜索中的约束可以包括内容来源（站内帖子、问答、评论、作者主页）、时间范围、证据数量、观点多样性、输出格式、安全边界和业务目标（CTR、满意度、举报风险）。这些约束如果只写在 prompt 中很难度量；如果结构化进任务和日志，就能像 DeepResearchIF 一样做 constraint-level macro evaluation。
第三，工具池要保持原子化。S1 没有把 deep research 写成一个固定大流程，而是提供 search、visit、academic search、file parsing、code、bash、image/video QA 等原子工具，让模型学习何时组合。搜索系统也应把 query rewrite、dense/sparse recall、profile lookup、entity expansion、freshness filter、rerank、citation extraction、risk check 拆成可观测工具，并记录每次调用的成本、延迟和收益。
第四，报告生成不是附属功能，而是复杂搜索的最终交付形态。对 UGC 短文本搜索，用户经常需要“比较几类观点”“总结某事件时间线”“找到可靠经验帖”。这类需求的 KPI 不能只看 nDCG，还要看证据覆盖、引用正确率、结论一致性和可读性。S1 的 file/report/skill benchmarks 提醒我们：最终交付物和中间轨迹同样需要评估。
落地时建议从低风险场景开始：先用离线日志合成 1K-5K 条复杂查询轨迹，覆盖多源召回、证据筛选和摘要生成；再为每条轨迹加 verifier，例如引用是否指向真实帖子、关键 claim 是否有证据、是否满足时间/来源约束；最后只在复杂查询或长尾问题上触发 Agentic Search，并设置工具调用预算。不要一开始就让 Agent 接管所有搜索流量，因为多轮工具调用会带来延迟、成本和稳定性问题。
Alibaba
Elastic这篇工程实践围绕千亿级 AI 搜索，讨论关键词、向量、稀疏检索融合，冷热分层、硬件降级和自研 FalconSeek 引擎等效能问题，并把 Agentic RAG 作为三年演进方向。文章强调结构化知识图谱与智能体自主推理，目标是让企业级 AI 搜索从可用走向自进化。摘要给出“千亿级”规模背景，但公开指标有限。
INSIGHT它补足了论文候选缺少的产业落地视角：Agentic Search 不是单个 Agent prompt，而是检索底座、成本治理和多源知识组织的系统工程。对 UGC 搜索，优先级应是混合召回与知识结构化先稳定，再逐步开放 Agent 决策权，否则多轮推理会放大底层召回噪声。
DEEPMED Search 是面向医疗深度研究的开源 agentic 平台，覆盖 PubMed、Web 搜索和私有图谱知识库。系统用 source-adaptive router 将子查询分发到不同来源，再用因果一致的多 Agent debate 做 introspective verification，减少长尾医学问题中的 reasoning drift。论文没有在摘要中给出线上指标，但明确给出多源路由与验证模块设计。
INSIGHT对搜索推荐实践最有价值的是“按信息密度路由数据源”与“生成前验证证据”两层设计。社区搜索可以把帖子库、百科/站外网页、用户关系图分成不同源，由 Agent 按问题类型调度；高风险回答则引入多 Agent 交叉验证，避免把弱相关召回直接写进结论。
HExA 面向传统检索或固定训练数据无法覆盖的新领域问题，让 Agent 通过主动实验而不只是搜索来获取证据。框架迭代设计实验、沉淀可复用技能库，并把实验结果纳入回答或行动决策；论文强调它是 training-free，能接入黑盒模型。该方向适合处理搜索结果稀缺、需要外部工具验证的复杂查询。
INSIGHT它提示 Agent 搜索不应局限于“查资料”，还可以把工具调用视为可规划的实验过程。对于 UGC 搜索，可借鉴其技能库思想：把可重复的验证动作（相似帖聚合、作者可信度检查、时间线核验）沉淀为工具技能，让复杂 query 的处理路径逐步稳定。
TraceLab 发布真实 coding-agent 工作负载轨迹，用于分析 Agentic LLM serving。数据包含约 4,300 个会话、350,000 个 LLM steps 和 430,000 次工具调用，覆盖 Claude Code 与 Codex 的日常使用；分析显示 workload 具有长自治循环、长上下文短输出、工具调用重尾分布和较高但不完美的 prefix cache 命中率。
INSIGHT虽然它不直接优化搜索相关性，但对部署搜索 Agent 很关键：真实 Agent 流量不是普通聊天流量，prefill、工具延迟和 cache 失效会主导成本。若要把 Agentic Search 接入生产，应单独采集工具调用、上下文长度、cache 命中和人工等待间隔，而不是沿用普通问答的 serving 假设。
ConCise 针对多步 RAG 服务的成本问题：随着检索-推理轮次增加，历史文档和推理轨迹会近似按 O(N^2) 膨胀，并持续引入噪声。它提出无需训练的 conclusion-chain 状态压缩，只保留对后续推理有用的中间结论，从而降低 API 服务中的上下文成本和干扰。摘要强调问题规模和复杂度增长形式，但未披露具体节省比例。
INSIGHT这篇更偏工程可落地：在 Agentic RAG 中，状态压缩往往比换更强模型更直接影响延迟和成本。对 UGC 搜索的多轮问答，可以把每轮召回内容压缩为“结论链+证据引用”，而不是把所有帖子片段反复塞进上下文，降低长对话里的噪声累积。
AlibabaElastic文章介绍阿里云 Elasticsearch 向 Agent Native 搜索底座升级，包含 Agentic Search、知识记忆湖、FalconSeek 引擎和 Hybrid Retrieval 2.0。公开材料称其面向 AI 智能体提供毫秒级上下文检索，并支持千亿级数据下 40%-70% 降本，重点是把传统搜索能力包装为 Agent 可稳定调用的上下文基础设施。
INSIGHT核心启示是：Agentic Search 的上线门槛在“可调用、可控、可观测”的搜索基础设施，而不只是 LLM 编排。社区平台可先把召回、重排、用户画像、内容安全等能力做成标准工具，并暴露延迟、成本、置信度，供 Agent 在预算内选择。
这篇研究 Agent 长期记忆投毒检测，发现成功攻击常出现 memory_recall_fact 到 email_send_email 的轨迹转移，而正常会话中很少出现。仅用该规则即可达到 AUC 0.9563，使用 19 个轨迹特征的 Random Forest 达到 AUC 0.9904，BCa 95% 置信区间为 [0.987, 0.993]。
INSIGHT对 Agent 搜索/RAG 的启发是：安全检测可以从内容审核扩展到轨迹特征。社区搜索若引入长期记忆或用户画像，需要记录“记忆检索-工具执行-外发动作”的事件链；对高风险转移设规则或轻量模型，比只检查生成文本更容易发现越权行为。
该论文把 FHIR 电子健康记录视为资源图，要求 Agent 在多类资源之间进行多步推理、过滤和聚合。作者用执行落地奖励对多轮 CodeAct 工具调用 Agent 做强化学习后训练，在 FHIR-AgentBench 上用 Qwen3-8B 将答案正确率从 o4-mini prompt baseline 的 50% 提升到 77%。
INSIGHT它的价值在于把工具调用的“正确执行”纳入奖励，而不是只看最终文本。对搜索系统中的工具型 Agent，可把查询改写、过滤器选择、召回源选择、排序解释等步骤都做成可执行动作，并通过日志回放或规则校验给中间动作提供奖励信号。
Alibaba这篇中文实践介绍用 LangGraph 改造单一 RAG 架构，让 Agent 根据问题自动选择向量搜索、图遍历或网络搜索。方案用状态机组织记忆、决策、重试与幻觉校验，面向政策查询、关系分析、实时资讯等场景，提供了从固定流水线转向可控 Agentic RAG 的工程范式。文章偏实践教程，缺少离线/线上指标。
INSIGHT它适合作为快速原型参考：用图状态显式管理每一步检索和校验，比把全部逻辑藏在长 prompt 中更可维护。对搜索团队，可先在低风险复杂问答场景试点“路由节点-检索节点-验证节点”三段式图编排，再逐步接入更多工具。