这场深度对谈围绕大模型与Agent技术如何重塑传统搜索领域展开，结合快手、淘天及小红书等头部内容社区的实战经验，为观众系统解析了AI搜索的核心技术难点、解决方案与未来发展路径。核心观点可归纳为以下几点：

• 传统搜索依赖于关键词精确匹配与召回，用户需自行筛选信息；AI搜索则能深度理解用户意图，直接提供问题解决方案，实现从信息获取到问题解决的根本性跨越，显著提升搜索体验与效率。
• AI搜索在智能客服场景中，显著强化了意图识别与任务处理能力；在社区环境中，则与传统搜索形成互补，根据用户需求灵活提供答案或引导浏览，兼顾效率与社区生态平衡。
• 通过Agent与Workflow协同架构，模型被拆解为并行处理单元以降低响应延迟；同时，采用高质量训练数据、数据合成技术及后处理方法，有效缓解了生成式AI常见的“幻觉”问题。
• 需在推理时效性与结果质量之间寻求最佳平衡，持续优化“幻觉”现象；同时，需积极引导用户从关键词搜索习惯向自然语言提问转变，改善用户使用行为。
• AI搜索将深刻改变广告与内容产业的格局，并融合多模态信息。未来发展的重心在于实现毫秒级响应，并引导用户提出高质量问题，从而催生全新的商业模式。

以下是几位嘉宾的对谈节选。

AI搜索 VS 传统搜索：问题驱动与关键词驱动

陈飞先开了个头：我们今天聊的是AI搜索这个领域。两位过去应该也做过不少传统搜索，或者叫电商搜索、社区搜索。从实际感受来看，这两个方向相比于传统搜索，到底有什么本质变化？

陈晓伟觉得，最大的变化在于，AI搜索能更精准地满足用户多样化、个性化的需求。传统搜索本质上围绕关键词展开，从query理解、召回、相关性匹配，到精排和重排里引入用户侧特征，基本还是以关键词为核心进行意图匹配。而在大模型时代，对用户以及长尾query的理解都更深入了，体验和发散性自然更好。

刘喜凯补充了另一种视角：传统搜索和AI搜索不是谁取代谁的关系，本质上是两种模式。传统搜索是关键词驱动，AI搜索更像问题驱动。没人天生爱“搜索”这个动作，大家真正需要的是解决问题或获取信息。传统搜索做的事情是连接——把信息生产者产出的内容和消费者精准对接，你搜关键词，我给你相关结果，然后你自己去看。而AI搜索直接面向“解决问题”，它不只是帮你搜信息、整理信息，而是直接理解你到底想干什么，然后把答案给你。这个过程对用户是绝对提效的，这才是两者最重要的区别。

陈晓伟又跟了一句：补充一下。过去十几年，技术没这么先进的时候，用户只能浓缩关键词来搜索，没法做复杂表达。现在AI搜索正好给了用户这个机会，可以把需求说得更细、更个性化，系统也能召回更符合他心意的结果。时代发展到这儿了，AI搜索的优势自然就凸显出来了。

陈飞总结了一下：两位的意思我大概理解了——不管哪种模式，本质上都在解决问题、满足需求，但解决问题的深度和覆盖的广度，AI搜索确实带来了本质变化。

AI搜索在智能客服、社区的应用

陈飞把话题转向技术细节：晓伟在智能客服，包括淘工厂这块也做了一段时间，效果不错。结合智能后，具体带来了哪些变化？

陈晓伟说，智能客服很多年前就在做，但结合大模型后，演进路径大致能分成三个阶段。1.0阶段，核心是用大模型做离线知识生产——消费者提问题，大模型生成知识，人工审核后再用。2.0阶段，让大模型直接在线面对消费者，实时解决问题。3.0阶段，结合AI Agent，给客服赋予自主规划和执行的能力。

这三个阶段都用到了大语言模型，相比传统智能客服，优势很明显。首先是用户意图理解——以前主要靠意图分类模型，把意图分成几百个类，再给每类配答案，很难覆盖用户成千上万的需求，回应也不够精准。大模型天生就擅长理解复杂意图。其次是上下文感知——客服是对话场景，用户可能要用三五句话才说清诉求，大模型的Transformer架构天然就能处理长文本和多轮对话。第三是反问澄清能力，用户意图不清时，大模型能通过优化Prompt等方式让用户重新描述。RAG能力还能把商品的实时数据、丰富知识引入处理流程，结合检索信息生成高质量答案。最后是工具调用——Agent最大的优势是能规划任务、执行任务。它分析用户问题，明确意图，然后调用不同工具（比如转人工、尺码推荐等）去处理，整个回答过程更流畅，满意度也更高。

陈飞感慨，听起来系统演进到了一个高度，80%的核心需求满足后，已经开始深挖那20%的长尾需求。他又转向刘喜凯：小红书这边，传统的搜索系统和AI搜索是怎么协同运作的？

刘喜凯接过了话题。他觉得两位嘉宾的技术思路大同小异，但小红书有几个特色地方。首先，小红书是个社区，其次才带搜索功能，最后才融合AI搜索。所以做AI搜索不能破坏社区调性。搜索本质是提效，AI搜索嵌入进来，不可避免地要和传统搜索结合。两者的关系不是割裂也不是竞争，而是相互促进。他们做了件很关键的事：设计好触发机制。不是所有用户、所有问题都适合用AI搜索。比如年初刚推AI搜索时，流量涨了很多，但也冒出不少新问题。留存下来的用户需求，其实最有价值。所以他们的经验是：先做好触发，把AI搜索真正能提效的部分给用户，其余部分留一个主动选择入口。

触发方式分两种：被动触发和主动触发。用户点进来，如果需求适合AI直接提升效率，就被动触发；如果用户需要的是双列笔记这种传统体验（比如搜“美甲店”），就不打扰他，只保留一个AI入口，想用可以自己点。核心还是定义好用户的真实需求。刘喜凯把需求分了几个层次：目前做得最好的是简单问答类，比如用户问“雍和宫几点开门”，他需要的就是“八点半”这个答案，AI搜索和笔记可以互补。第二种是复杂决策类，比如购物决策、旅游决策，可以通过站内内容给用户一个决策概览，让他带着关键点去逛笔记。这样既满足需求，又不让社区体验变得割裂。在其他场景，传统搜索仍有优势。所以两者互利共生，在这个基础上去做更好的融合。

Agent与Workflow协同架构的典型案例

陈飞顺着说：要实现刚才那套客服系统，要点相当复杂。在这么复杂的背景下，Agent和Workflow结合有什么典型案例？

陈晓伟说，Agent和Workflow今年特别火。去年年初吴恩达提出的一些框架，和他们的思路比较接近。当时做整个大模型在线化，遇到的最大问题是时延。要处理的商品知识太多（除了标题，还有OCR信息等），全丢进去处理延迟很大，结果还不理想。所以他们建了一个三阶段的链路式Workflow。第一阶段意图识别；第二阶段把大模型拆成几个子模型，比如专门处理OCR知识的模型、专门处理某个领域的模型，每个模型根据消费者的问题并行操作，各自得出结果；第三阶段，一个类似专家的“Summary Model”综合各子模型的结果，判断优先级，甚至自己做综合判断，最终回答消费者。这样就把串行任务变成了并行任务，延迟明显缓解，消费者体验也提升了。

另外，传统大模型自主规划和执行能力还比较弱，所以今年大家搞AI Agent，最大特点就是环境感知、反思、规划和执行。智能客服天然有这种场景。现在他们开始把Agent能力用进来，基于对问题的理解、上下文的理解和反思能力，构建自动执行工具，比如转人工、尺码推荐等。整个流程流畅度更好了。

陈飞又问刘喜凯：围绕小红书的特色，Agent加Workflow有没有实质性案例或进展？

刘喜凯说，从去年开始他们就在做Agent加固和Workflow这类工作。他们对Agent有个判断：到底什么样的Agent才是真正起作用的？仔细琢磨后觉得，Agent直接面向最终结果和用户的真实需求做拟人化操作，在整个链路里承担串联作用，在合适的时间做合适的决策。而Workflow，更倾向于解决专业问题。一个核心观点是：让专业的人干专业的事。不能指望一个Agent把所有事都做好，专业的事还是交给Workflow。

他举了个旅游业务的例子。Agent要做的是模拟用户需求，明确他到底想要什么，然后尽可能多搜集信息，信息可能是并行获取的，也可能涉及多步决策。搜信息时，可以调搜索引擎拿top结果，也可以调Workflow拿更专业的信息。比如最终要产出旅游攻略，就得知道当地有哪些景点、哪些美食——这些子模块可以用Workflow解决，能全局看几千上万篇内容供给，提取用户最需要的东西，甚至以百分比形式把决策链路梳理出来。Agent就负责在获取这些供给后继续串联链路，发现还需要哪些决策点，简单信息调搜索引擎，专业信息调Workflow。这样就让专业的人干专业的事，Agent串联深度搜索和内容收集，Workflow保证信息足够准确全面。

优化幻觉问题的方法分享

陈飞说，智能客服领域还存在一个关键问题——大模型的“幻觉”。从晓伟PPT里也留意到了这个重点。在你们应用场景里，有没有什么好办法来优化或解决幻觉？

陈晓伟坦率地说，幻觉是整个大模型领域普遍存在的问题。首先得承认不可避免——大模型的生成机制决定了它会有些信息获取不到，或者去揣测，或者为了和人类表达方式对齐而输出答案。幻觉的对立面是准确率，核心目标就是降低幻觉、优化准确率。

从优化角度看，有几个关键点。第一，高质量数据。直接把通用大模型用到服务场景，准确率和用户体验都很差。前期需要积累大量智能客服相关的QA数据，做人工标注，清洗样本，覆盖各行各业、各类意图。数据量还不够，可以基于更强的大模型做数据合成，但合成也可能产生幻觉，所以后面可以加一个幻觉检测分类模型，评估生成的QA数据是否可靠。第二，后处理训练。包括偏好优化对齐、微调等，核心目的就是把幻觉率降下来，提升准确率，比如DMLoRA、MPPO这些公开论文中的方法。第三，RAG。不管是对直播知识、OCR商品详情页知识的检索，还是答案生成，RAG都起着重要作用。核心大概就是这三方面。

AI搜索面临的挑战、未来的发展形态

陈飞问：近两年内，AI搜索这个领域最大的机遇和挑战分别是什么？甚至可以畅想一下，下一代搜索形态会什么样？

陈晓伟先说了几点。第一，多模态数据处理和理解能力很重要。不论电商还是其他场景，对消费者的理解肯定不是单一模态能实现的——人本身就能同时处理文字、音频、视频，大模型和AI搜索也需要往这个方向发展，才能让体验提升一大截。第二，挑战在于设计更高效的推理框架。大模型推理结果好但可能慢，小模型快但结果可能没那么好，中间怎么平衡？可以用蒸馏、剪枝等技术进一步优化，但不管怎样，都需要提升在线推理能力，做好平衡。

说到商业机遇，他认为创作者会有更多机会。电商领域，长尾商品的机会可能被放大。以前的数据驱动方式主要靠点击成交反馈，形成了信息茧房，现在这个情况可能被打破。商家有动力优化商品内容，长尾商品有了更多曝光和成交机会。另外还有一个大挑战也是机遇：用户在电商场景已经被“驯化”了十几年，习惯了现有的搜索方式。未来要改变产品形态，让用户从机械搜索转向用更自然、精准的语言表达诉求，产品形态该怎么设计？怎么让用户慢慢接受并喜欢上新的搜索方式？这是个大挑战，也是大机遇。

刘喜凯顺着这个话题接过去。他觉得未来一两年，AI搜索最重要的有两件事：正确引导和足够快。快是核心——AI搜索本质是提效，如何在足够快的前提下给用户准确答案，至关重要。提升推理效率可能成为决定性的优势，快0.5秒甚至300毫秒，可能就是胜负手。第二点是引导提问。用户从老场景切换到新场景需要引导。各家都把搜索框设计成可延展的，就是在告诉用户：你不只能搜关键词。但除了产品形态，还有一个问题——传统搜索引擎模式持续了几十年，大家都习惯了。怎么激发用户，让他们知道可以提问、能提出好问题，同时让用户知道AI搜索能承接好问题？这是未来一两年最重要的一件事。说得抽象一点，如果未来五六年想把AI搜索做好，这件事是第一位的。

从商业角度，长尾博主或类目会有发展，但他个人觉得，AI搜索已经确定是一个新入口，大家已经验证了它的价值。有价值就意味着新入口的出现。如果继续发展，很可能重塑很多行业。比如最简单的产业GPT，目前营收方式就两种，那它能不能做广告营收？要是做广告，产品可能就变味儿了。很多人做广告的人也会思考，这种情况下怎么更好地做广告。整个商业化逻辑会变化，一定会诞生很多新的小场景，甚至一些新公司在这个新入口下做新的商业化尝试。以小宇宙为例，除了提升内容和博主质量，还有一层意义——更精准流量的精准投放。以前搜内容要大量信息，现在能精准把你要的东西给你，而且可能不是一段文本，而是一篇笔记直接推送。整个商业逻辑也会变化。所以这是未来一两年从商业角度很重要的事情。

陈飞最后总结：从需求角度来说，搜索模式正从传统关键词搜索转变为自然语言搜索，用日常语言表达需求。信息含量和密度增加后，自然能挖掘出新需求。就像喜凯说的，整个产品结构很可能发生很大变化，催生很多新创新和新企业。

（原文中的“扫码了解会议详情”等推广信息已被删除。后续活动推荐内容，因与当前对谈主题无直接关联，亦已略去。）