摘要：首先，我们先分享一个例子。这张图是我用一个我们基于内部孵化 Agentic Search（智能体搜索）的产品，把这两天 DACon 活动的信息做了一个自动的信息摘要（Summary）。 大概只花了 5 到 10 分钟，就获得了一个完整的分析摘要，包括相关的议题
导读 大家好，今天很高兴与大家分享阿里云 AI 搜索团队在 AI 时代新一代企业搜索方面的一些思考，主题是 AI 搜索技术效能：“从‘检索’到‘洞察’”。
今天的分享大概包含四个部分：
1. 趋势：看看在 Agent 时代，信息检索会有哪些变化？
2. 挑战：回到企业服务领域，分享在企业搜索有哪些搜索新观察。
3. 实践：介绍我们在 AI 搜索领域，"从检索到洞察"的产品技术实践。
4. 目标：分享阿里云正在持续构建的 AI 搜索基础设施进展。
分享嘉宾｜汤祯捷 阿里云 AI搜索产品负责人
内容校对｜郭慧敏
出品社区｜DataFun
01
首先，我们先分享一个例子。这张图是我用一个我们基于内部孵化 Agentic Search（智能体搜索）的产品，把这两天 DACon 活动的信息做了一个自动的信息摘要（Summary）。 大概只花了 5 到 10 分钟，就获得了一个完整的分析摘要，包括相关的议题、技术专题，甚至能生成 Markdown 和 HTML 报告。这对于用户高效收集信息来说，是一种完全颠覆性的AI搜索方式。区别于之前只是使用工具或搜索网页倒排索引的搜索方式。
回顾搜索技术的发展，可以分为几个阶段：
智能搜索： 这是最早的形态，包括全网搜索（如 Google、百度）、垂类搜索（如淘宝、京东），以及云端搜索服务（如 ElasticSearch、OpenSearch）。RAG（检索增强生成）： 这是现在大家非常了解的模式，即“从检索到生成”。RAG 的需求越来越多，但最大的挑战在于效果不稳定。无论你用什么模型，联网搜索还是大文件生成，都存在需要校准的问题。Agentic Search（智能体搜索）： 这可能是未来趋势，这种方式可以被理解为从被动搜索走向了主动搜索。以前的信息流是静态生成的（Static Workflow），现在则变成了动态生成的（Dynamic Workflow）。整个信息流的编排和结果都是 AI 自动生成的。然而，这些先进的 AI 搜索趋势与我们当前服务企业用户的真实场景之间，却存在着巨大的鸿沟（Gap）。
因此，我们不经要问，在 AI 搜索时代，传统企业搜索的困境到底在哪里？通过大量企业搜索客户的各行业专业服务，我们发现他们的内部搜索大多仍还停留在关键字搜索层面。
传统企业搜索有三大痛点：
基于这些企业搜索的典型困境，AI 搜索和背后的 LLM AI 技术将全面改变企业搜索的困境。我们认为其进化主要有三个方向：
进化一：意图理解传统方式：“你搜什么，我给你什么”。基于词频和索引，无法处理同义词或复杂问句。进化方向：“我猜你真正想要什么”。通过 NLP、语义搜索和用户画像，去理解上下文和角色。AI 搜索需要真正听懂用户的“心里话”，这甚至包括了多轮对话中上下文的保存。进化二：知识提炼
传统方式：信息孤岛。搜索单一数据源，结果是割裂的。用户需要手动拼凑信息。进化方向：统一知识引擎。通过统一连接器 + 知识图谱 + RAG 技术，生成综合、结构化的完整答案。目前的趋势，是把知识图谱技术和 RAG 技术整合在一起。进化三：动态交互
传统方式：静态搜索。返回“10 条蓝色链接”，查询一次就返回一次。搜索即结束。进化方向：对话式 LLM 智能问答。支持多轮对话、Human in the Loop、持续追问、实时生成内容。搜索即开始，你可以在交互中完成后续工作。
基于这些挑战和进化，我们总结出 AI 智能时代的三个新观察：
检索平权： 从搜索用户视角看，信息检索的方式的变化会让用户的搜索平权。主动洞察： LLM（大语言模型）正在重构搜索信息的组织方式。为用户主动洞察信息检索的内容。全模态混合： 搜索正从单一的文本检索方式，走向文本、图片、视频等全模态的 AI 混合检索方式。围绕以上的三个搜索新观察(检索平权/主动洞察/全模态混合检索)，阿里云 AI 搜索团队进行深入的技术与产品实践。在此与大家做简略分享。
实践一：检索平权
“检索平权”的核心是 “让‘人人都是检索专家’成为现实” 。
初级阶段- 传统的壁垒： 用户需要依赖复杂的检索技巧，比如布尔运算符。普通用户很难完成深度信息挖掘。变革阶段- 变革的动力： 随着 LLM 智能体（Agent）的崛起。用户不再需要复杂的技巧，仅通过自然语言交互即可实现使用自然语言 NLP 的智能检索。Agent 的角色： 自动理解用户意图，拆解复杂任务，并执行深度检索。进化阶段- 平权的结果： 以基于 LLM 构建的 Agent 产品不断迭代与演进，最终实现将 Agent 实现 DeepSearch 深度检索和 DeepResearch 深度研究能力的全面智能 Agent，以推理 Thinking 方式，深度挖掘复杂网状信息，全面打破信息鸿沟。在这里，我们分享一下阿里云 AI 搜索产品 OpenSearch 背后的 Deep Search/Research 技术架构。对比分享此创新架构与单步 RAG 架构有本质区别。
单步 RAG：是被动响应方式，使用单一的搜索工具，并且无法自我修正。在实践中，我们发现 RAG 的结果不可控，无论是检索结果还是大模型生成的结果都难以保证准确，在生产环境用好的不多。Deep Research：是主动代理方式，会进行动态的多工具联合使用。能做任务分解、分步检索、答案整合，更关键的是有 “循环验证/反思” 机制来修正检索方向。在具体技术实践中，我们发现多工具 Tools 的之间联通是非常重要的一环。而 Deep Researc 架构 包括：
沙箱(Sandbox)：用于安全运行浏览器、Code Agent、文件系统、命令行、多模态解析、网络爬虫等一系列工具的 Agent 环境。规划执行 (MCP)：负责调用通用搜索、OS/ES 知识库、异构数据源等 MCP Server。有效构建上下文 Context。记忆 (Memory)：包括长短期记忆。整个流程是：用户提问后，首先做“背景调查”，如果问题不清晰会“澄清意图”；然后进入“规划执行”，生成计划，调用 LLM 和工具集；最后“报告生成”，产出 Outline、Markdown 和网页报告。Deep Research 主要是整合了各维度的信息检索与整合分析，但还是不足的。要真正满足用户需求，需要构建更加通用的智能 Agent 产品，包括类似 ChatBI 的自动的数据分析能力，多模态检索等技术特性。
于是在更深入应用 AI 智能探索，我们构建全新的 Agentic Search 架构。这个 Multi-Agent 架构的核心是异构数据全连接（非结构化、结构化、图数据模式等），并为此配备专属的 Agent：
Search Agent：专属处理多模态 AI 混合检索，包括通用检索, 日志检索，向量检索及 AI 搜索检索。DB Agent：自主处理结构化数据分析（如 NL2SQL）。Graph Agent：自主处理图数据分析（如 NL2Gremlin，GraphRAG）。以上这些子 Agent 由一个主 Agent（包含 Planner, Executor, Report, Memory）来统一自主规划和调度，最终提供全面的主动 AI 洞察能力。
这个 Agentic Search 架构的效果如何？我们做了一些评估。
在 HotpotQA、Musique 等数据集上，Agentic Search（配合 Qwen-Plus 3.0）的搜索深度和召回率，均明显优于 RAG 和 ReAct。
这里必须深入解释一下 RAG、ReAct、Deep Search 和 Agentic Search 的区别：
RAG：如前所述，结果精度不可控。ReAct：是一种“走一步看一步”的策略。在问题不复杂时可用，一旦问题超过 5 步，就极容易跑偏。Agentic Search：摒弃了 ReAct，采用 “Planning and Execution”（规划与执行）策略。会先规划出全貌，安排主/子任务，并有反思调整机制。这保证了结果的准确性 ，但缺点是慢，一个复杂问题可能要 5 到 15 分钟，而且容易突破 Token 限制。Agentic Search：目标就是解决 Deep Search 的性能问题。核心改进有两点：任务并行：在一个 Plan 下的多个 Task 可以并行执行，成倍提升性能Context 压缩：对上下文和 Memory 做裁剪压缩，解决 Token 瓶颈。我们创建出来的 Agentic Search 产品在 BrowseComp 榜单上可以跑出与 OpenAI ChatGPT Agent 类似的效果。
以下是 Agentic Search 的示例，左边是自主推理和工具调用全过程，规划 Plan, 调用多工具等。右边是自动生成的 Markdown 报告和网页报告。
我们可以到从传统搜索到 AI 检索的演进，其中一直不变的重要环节就是数据预处理与数据工程。
我们开发并实现一套完整的 AI 搜索全模态数据治理产品方案。无论是文档、数据库还是湖仓，都能进行统一解析与预处理，包括：
非结构化数据：做文档切片服务（语义切分）和向量化服务（稠密/稀疏向量）。结构化数据：做内容提取和文本分词。图数据：做实体提取和关系提取。在多模态理解层面，搜索也经历了从单模态（文搜文）、跨模态（文搜图）到 融合模态（图+文联合查询） 的进化。
右图是团队自研的多模态模型架构。基于 Qwen-VL 和 MMEB 训练，最关键的一步是，会将任务拆解给专用的小模型（Model_B 处理文本，Model_C 处理视频/VDR），最后再将结果融合（Ops-MM）。子模型的微调和最后融合的效果是关键。
这个能力可以用在视频搜索上，实现精准时刻视频主样本定位。比如在体育视频中搜索“姆巴佩射门”或“樊振东金牌”，能精确定位到对应的视频帧。
基于此提供了多模态 Embedding 模型服务。Ops-MM-embedding 模型在 MMEB 榜单上是开源，模型 No.1，同时也提供文本向量化和向量降维的定制服务。
最后，我分享一下我们 AI 搜索团队目前持续构建的 AI 搜索基础设施。
这张图是 AI 搜索开放平台架构。
这就是已经开放给用户使用的 AI 搜索开放平台。
提供丰富的 AI 搜索服务（文本、图片、音视频的解析和向量化）。支持全链路搜索开发（模型微调、部署、灵活编排）。支持 API 按量计费，可以免费开通，无缝集成多种开发框架。这些能力还将沉淀为一系列搜索专属大模型，打包成标准服务，包括文档解析、图片理解、多款文本向量和多模态向量服务、查询分析、Reranker 重排服务以及 Qwen、DeepSeek 等大模型。
最后，我们将这些基础设施与阿里云的两大核心搜索产品进行了深度融合：
1. OpenSearch – 自研 AI Native 搜索服务
OpenSearch 是我们自研的 AI Native 搜索服务。具备三大核心能力：
面向 Agentic Search：提供 DeepSearch Agent、DeepResearch Agent 和 LLM 智能问答版。AI 增强：全面对接 AI 搜索开放平台，并融合了基于 Havenask 的自研行业算法引擎。10 倍向量检索版：为自动驾驶等多模态场景打造，包含多模态数据湖、GPU 加速的向量引擎、混合检索和视频 RAG 检索能力。2. 阿里云 Elasticsearch – 开源企业级 AI 搜索平台
Elasticsearch 是全球行业第一的开源搜索引擎，我们与 Elasticsearch 深度合作，将其全面 AI 化。
为 ES 提供了基于效果更优的 RAG 全链路模型。如上图所示，客户数据源 通过 AI 搜索开放平台 进行解析、切片、向量化，存入 Elasticsearch 构建索引。用户问题 也通过 AI 平台进行意图识别和向量化，在 ES 中进行多路召回（文本、稠密/稀疏向量），召回结果再经过重排模型、Prompt 工程和大模型处理，最终生成精准答案。
这种 “传统搜索+向量搜索”的一站式 AI 混合搜索效果非常显著。例如，当用户搜索“浙一医院”，传统文本召回会分词为“浙一”和“医院”，导致召回失败；而向量召回能理解语义，准确匹配到“浙江大学医学院附属第一医院”。通过“稠密向量+稀疏向量”的多路混合检索 ，Top10 结果的匹配效果相比单路检索提升了 20%。
总结一下，这就是阿里云 AI 搜索的产品全景图。
我们的目标是面向企业级客户和开发者，提供优质的场景化 AI 搜索产品与服务。底层是 AI 搜索开放平台，它整合了高性价比的开源企业级搜索引擎（如 Elasticsearch）和自研 AI 智能检索引擎（如 OpenSearch 和 Havenask）。之上是丰富的场景应用和 AI 能力，包括 RAG 检索增强、行业语义搜索、Deep Search/Research、多模态搜索等，并由搜索专属大模型和百炼-通义千问大模型提供动力。
希望通过以上一系列 AI 搜索基础设施产品，帮助广大企业客户在 AI 时代真正实现从“检索”到“洞察”的跨越。
以上就是本次分享的内容，谢谢大家。
来源：DataFunTalk
