INSIGHT对于行为稀疏、需要常识推理的长尾 UGC Query，直接在线调用改写模型并非唯一选择；更稳妥的路径是离线生成多意图改写、检索候选并回灌双塔。论文也暴露了边界：替代品 Query 的合成数据准确率只有 64.5%，因此必须保留业务相关性模型和人工抽检，避免语义漂移扩大召回噪声。

INSIGHT这套链路与社区短文本搜索高度同构：先建立 40+ Query 意图、商品/内容属性和四档相关性标准，再让大模型产出标签与理由，最后蒸馏到在线小模型。值得直接复用的细节包括把 Prompt 从 8K 压到 1.2K、用 1.5B 模型做 Doc2Query，以及用 listwise DPO 和 nDCG 奖励补足分档强但排序弱的问题。

INSIGHT社区搜索的猜你想搜、相关搜在冷启动阶段不应过早把 CTR 当唯一目标；先用与业务可解释的质量奖励约束 Query，再逐步接入点击信号，能避免模型学到标题党式建议。组内分歧也是低成本难例采样器，可优先发现意图不明、事实风险高或信息增量不足的推荐词。

INSIGHT对短 Query 和 UGC 文档，图谱不应单独替代语义召回，而应负责同义词、实体与硬约束扩展，再让轻量重排器抑制误扩展。论文同时提醒融合上限：混合系统 Recall@100 只有 0.35，低于 BM25 的 0.57；上线时要把候选池截断、RRF 权重和硬过滤作为独立召回指标监控。

INSIGHT同一条改写同时服务倒排和向量召回会产生目标冲突；把词法表达与语义表达显式拆开，比调一个折中 Prompt 更可控。消融显示三阶段训练将 TopiOCQA 的 ANCE MRR 从 24.8 提到 53.5，说明先做双视图 SFT、再依次对齐稀疏与稠密召回，可作为多路召回系统的标准训练顺序。

INSIGHTQuery 改写带来的增益未必等于更好理解意图，也可能只是扩大打分方差、暂时掩盖检索器偏差。社区搜索应按失败类型选择策略：字面匹配或短 Query 偏差可先试轻量改写，复合偏差则需要文档侧训练、伪文档或重排共同处理，并用对抗切片而非整体 nDCG 验证。

INSIGHT当相关性依赖跨句推理、首阶段向量召回始终漏掉目标时，继续堆重排器无法补救召回缺口；层级导航提供了另一条路径。其代价是 Token 和索引构建成本较高，因此更适合作为难 Query 路由分支：普通 UGC Query 走双塔，低置信度或复杂意图再进入 LLM 层级检索。

INSIGHT这一设计可迁移到 UGC 长文或评论串检索：索引层保留原始细节，查询时再按意图构造短上下文，避免写入时摘要永久丢信息。消融中 SFT 将准确率从 0.41 提到 0.73，RL 再提到 0.85；说明在线压缩器应先保证结构化选择稳定，再用任务奖励优化保留哪些证据。

INSIGHT对带地点、时间或社区频道约束的 UGC 搜索，可先用结构化条件缩小语义召回空间，再把结果交给大模型，既减少无关上下文也提高可解释性。实验表明端到端延迟主要由 LLM 而非检索组件主导，因此生产系统应限制区域实体数、缓存静态 Prompt，并把生成模型路由与召回过滤分开优化。