报告主题：搜索智能体中的数据飞轮初探

报告日期：7月8日（周三） 10:30-11:30
报告要点：
搜索智能体的核心难题在于传统依赖点击、停留时间的检索模型优化闭环正在失效，如何从智能体交互中重建数据飞轮成为关键挑战。智源Talk 362期邀请了中国人民大学戴孙浩、周雨琦线上分享，工作分别来自SIGIR 2025 Perspective《NExT-Search》和SIGIR 2026《LRAT》。提出了从人机协同反馈与自动化轨迹挖掘两条路径出发的检索模型持续优化方案，为面向智能体的搜索系统提供了可持续的数据飞轮闭环。欢迎大家一起讨论交流。

议题详情：

议题一：NExT-Search——重建面向生成式AI搜索的用户反馈生态
本文首先系统回顾和对比从传统搜索到AI搜索演进中的得与失。传统Web搜索能够持续优化，关键在于搜索结果页天然产生了大量细粒度用户反馈，例如点击、停留时间、跳出等行为信号。这些反馈可以被相对清晰地归因到具体查询、文档和排序结果，并进一步反哺检索与排序模型。然而，在生成式AI搜索中，系统通常会自动完成问题拆解、检索排序与答案生成，用户看到的是最终生成结果，反馈也往往退化为对答案整体的点赞、点踩或文字评价。这使得用户反馈难以回溯到具体中间环节，传统搜索中的数据飞轮机制面临断裂。
NExT-Search围绕这一问题，提出面向生成式AI搜索的新型反馈生态设计。一方面，User Debug Mode允许高参与度用户介入搜索中间过程，对子问题分解、检索结果、排序结果和生成答案进行修改、重排与纠错，从而产生更可归因的过程级反馈；另一方面Shadow User Mode引入个性化用户代理，在用户不愿频繁参与时模拟其偏好并提供辅助反馈，以降低反馈成本。该工作试图回答一个关键问题：当搜索系统从"服务人类检索网页"转向"由智能体代替人类完成搜索与综合"后，我们应如何重新设计反馈机制，使检索、排序与生成模块仍然能够获得持续优化所需的高质量监督信号。
议题二：LRAT——从智能体轨迹中学习面向Agent的搜索模型
传统检索模型的训练很大程度上依赖人类搜索行为反馈，例如用户点击了哪些结果、在页面上停留了多久、是否快速返回等。这类信号之所以有效，是因为它们能够在一定程度上反映文档与用户信息需求之间的相关性。然而在智能体搜索中，查询往往不是人类直接提出的问题，而是Agent为完成中间推理目标而生成的子查询；文档是否有价值，也不再只取决于它和原始问题的语义相似度，而取决于它能否帮助Agent推进搜索、浏览、证据聚合和最终回答。因此，面向人类搜索日志构建的数据飞轮，在Agentic Search场景下面临新的错配。
LRAT针对这一问题，提出直接从智能体多轮交互轨迹中挖掘检索监督信号。具体而言，Agent在搜索过程中会生成查询、查看候选文档摘要、选择部分文档浏览全文，并在浏览后继续推理；这些行为天然记录了Agent对文档价值的判断。LRAT将被浏览的文档视为潜在正样本，将同一候选列表中未被浏览的文档作为负反馈信号，并进一步利用浏览后的推理痕迹和推理长度判断文档是否真正推动了任务进展。实验结果表明，该方法能够稳定提升检索器的证据召回能力和下游任务成功率，同时降低Agent完成任务所需的搜索步数。该工作展示了一种更自动化的检索模型优化路径：让智能体运行过程中自然产生的轨迹成为训练数据，从而推动检索模型与搜索智能体协同演进。

报告嘉宾：

戴孙浩，中国人民大学高瓴人工智能学院博士生，导师为徐君教授。博士期间曾在新加坡国立大学NExT++实验室访问交流。研究方向为信息检索和Agent。已在KDD、SIGIR、ICLR等国际顶级会议发表论文30余篇，谷歌学术总引用2000余次，一作论文曾获SIGIR最佳短文论文提名。曾在KDD和WSDM上组织关于大模型时代可信信息检索的Tutorial报告。曾获得字节跳动奖学金，百度奖学金全球20强，国家奖学金等荣誉。个人主页：https://kid-22.github.io/。

周雨琦，中国人民大学高瓴人工智能学院博士生，导师为徐君教授。他于2023年本科毕业于哈尔滨工业大学（深圳），现为中国人民大学智能信息检索实验室成员。他的研究方向包括信息检索、GUI Agent和Search Agent。相关研究以第一作者身份发表于或录用于NeurIPS、ACL、SIGIR等国际会议共四篇。个人主页：https://yuqi-zhou.github.io/。
电脑端观看地址


更多热门活动：

内容中包含的图片若涉及版权问题，请及时与我们联系删除