INSIGHT对社区 UGC query understanding，先判定候选意图或实体类型，再做语义匹配，比把全部标签塞给大模型更稳。可把类型过滤器放在召回前，减少 query 改写与实体抽取的提示长度；再以相似度加类型多样性选 few-shot 样例，兼顾长尾表达和领域覆盖。

INSIGHT搜索相关性评估不能只看词法重合或单一 nDCG 切片，尤其 UGC 新词、别名和话题迁移会造成 lexical drift。实践中可把 LLM 或 embedding 语义一致性作为旁路诊断，与人工 judgments、点击和词法指标并报；但不同模型在 DLDA 上一致性较弱，不能把语义分数直接当唯一金标准。

INSIGHT它提供了一个低成本检索基线：先用 BM25 做 lexical recall，再让生成模型消费少量示例。对社区搜索可迁移为 query–帖子示例库，按语言、主题或业务垂类建索引，并用 r/d 网格调节召回量与高质量示例数。关键不是盲目扩大库，论文在 22 个任务上观察到方向差异，去重后 18/22 个最优配置改变。

INSIGHT对 UGC 搜索，可借鉴按 query 类型路由检索器，而不是默认 dense 或 semantic 全覆盖。论文显示噪声高时语义检索更值：hono 仓库 F1 提升 +0.245，干净的 remeda 为 +0.000；精确词命中任务则 grep 更快。工程上可用 query 或候选词噪声估计控制是否启用重排，并保留实体名、评论原文等 lexical fallback。