INSIGHT短文本搜索里，用户 query 常只给出实体、属性或场景的一部分，直接 embedding 容易把正确帖子压到深处。可将 query 拆成实体、意图、时间、地域等槽位，生成少量互补假设后做 RRF 融合，再用轻量 verifier 只修正头部排序；论文显示 verifier 提升 R@1 而不改变 R@50，适合将预算集中在 Top-K。

INSIGHTUGC 帖子也有“问题描述—经历事实—结论—评论建议”等结构，固定长度切块会把关键关系拆开。可以先训练轻量结构分类器，再将结构标签作为召回过滤和重排特征；同时保留 BM25 以保护专名、数字、标签等字面信号，并用 query 意图决定需要哪些段落。论文的局限是只评估印度最高法院语料，指标也完全来自 LLM judge。

INSIGHT社区搜索常需要同时满足主题相关、作者多样和时间覆盖，单文档独立打分无法表达集合目标。可把线上点击、作者去重和新鲜度约束先蒸馏成离线集合样本，再训练轻量召回器；但 R4T 的 RL 数据合成和 diffusion 训练复杂，建议先在离线 rerank 或多路召回融合中做小流量验证。

INSIGHT社区 UGC 搜索不能把英文或高资源语言上的 embedding、query rewrite 和 RAG 结果直接外推到中文方言、夹杂英文或低资源语言。建议按语言与 query 类型分别监控召回率、重排质量和最终答案，并采用同内容跨语言对照集；CLCG 可作为线上多语言搜索的回归指标，而不是只看总体平均 CTR。

INSIGHT社区搜索结果不只有“相关/不相关”，还涉及口语化程度、敏感词和用户身份适配。可先将可读性、术语偏好和内容安全作为轻量 rerank 特征，再在摘要生成后做约束校验；但论文没有实证数据，且作者明确把联合 benchmark、自动分类器和治理阈值列为开放问题，应把它当作评测设计启发而非可直接上线的模型。