INSIGHTAgentic 搜索的质量门槛不应只看召回率或最终答案准确率，还要测同一意图的不同表达是否诱发不受证据支持的生成。可以把语义等价改写加入离线评测，按 query 意图、检索证据和最终 claim 三层记录失败样本，再将高风险模式反馈给重排、拒答和工具路由策略。

INSIGHT对 Agentic 搜索，评测对象应从“回答像不像”扩展到检索轨迹、来源覆盖、引用可核验性和交付格式。社区搜索可借鉴其 hidden source packet 设计：给 Agent 真实可用的 UGC 集合，同时保留不可见的证据包与标准答案，分别评估找全、找准、引用和总结四个环节。

INSIGHT它提供了一个适合 Agentic RAG 的“声明级”验证范式：最终答案不是一个整体分数，而是多个可追溯 claim，每个 claim 都要绑定检索证据或确定性工具结果。社区搜索可以对帖子摘要、实体属性和比较结论分别验证，减少 Agent 把局部正确证据拼成整体错误结论的风险。

INSIGHT对 UGC 搜索，Agent 不必替换传统召回和排序，而应作为复杂意图的上层编排器：先判断是直接检索、改写 query，还是需要多轮收集与比较，再把稳定的 nDCG、CTR 与任务完成率一起纳入评估。Google 的产品路线也提示，交互式结果和可控动作会成为搜索体验的一部分。

INSIGHT对搜索 Agent 的长期会话记忆，应把“记住什么”“当前要读什么”和“是否可信”分开建模。社区场景可以将用户历史 query、已看帖子和未完成任务存为 episodic/working memory，再由当前 query 生成不同读出视图，并在内容更新或冲突时通过 trust gate 降权，而不是把所有历史文本直接拼进上下文。

INSIGHTAgentic 搜索的缓存、用户画像和历史摘要同样会过期，且过期内容往往比缺失内容更危险。建议为记忆附带时间、来源和冲突检测信号，在 query 命中旧内容时触发轻量复检或重新检索，并把“是否审计记忆”作为离线指标，避免 Agent 以高置信度复述陈旧 UGC。

INSIGHTAgentic Search 不应只追求多走几轮工具调用，还要控制用户的理解成本。对社区搜索可以将任务拆解过程以可折叠的 query、证据和下一步建议呈现，分别测量点击、改写、返回和任务完成；当复杂流程没有带来更好的决策时，应回退到熟悉的列表检索体验。

INSIGHT搜索 Agent 也需要对多步计划提供中间可验证信号，而不是只在最终答案处给奖励。可以把“检索—阅读—引用”设计成可回放闭环，例如重新执行同一子任务时应找回相同证据、引用能还原到原文；这类一致性奖励有助于降低长链路 Agent 的漂移和无效工具调用。

INSIGHT其可迁移的设计是把工具调用轨迹转成模型训练数据，并让工具选择与最终任务目标共同优化。对搜索 Agent，可记录 query 改写、召回、重排、阅读和引用的完整轨迹，训练一个能按意图动态路由的策略；但仍应保留确定性检索和权限控制，避免把所有决策都交给生成模型。