技术对话：AI搜索如何变革信息获取方式？

本次对谈聚焦于大模型和Agent技术如何深刻变革传统搜索，结合快手、淘天和小红书内容社区的实战经验，为观众揭示AI搜索的核心技术难点、解决方案以及未来趋势。

其中，核心的观点有：

• 传统搜索依赖关键词匹配，用户需自行筛选信息；AI搜索理解用户意图，直接解决问题，实现从信息获取到解决的跨越，提升体验与效率。

  
  

  
  

• AI搜索在智能客服中提升意图理解与任务处理能力；在社区中结合传统搜索，根据需求提供答案或引导，兼顾效率与生态。

  
  

  
  

• 通过Agent与Workflow协同架构，拆分模型并行处理以降低延迟；采用高质量训练、数据合成和后处理等技术缓解“幻觉”问题。

  
  

  
  

• 需平衡推理时效性与结果质量，持续优化“幻觉”；还要引导用户从关键词搜索转向自然语言提问，改善使用习惯。

  
  

  
  

• AI搜索将重塑广告与内容行业，融合多模态信息。未来重点追求毫秒级响应，并引导用户提出高质量问题，推动新商业模式。

  
  

  
  

以下是三位嘉宾的对谈节选：

陈飞：我们今天的话题关注的是AI搜索领域。两位过去应该也做过很多传统搜索，或者叫电商搜索、社区搜索。两位现在从感受上来讲，这两个方向的变化与传统搜索来相比起来，有什么本质的区别？

陈晓伟：AI搜索确实大家最近几年也在搞。我觉得最大的一个变化有可能是，它能满足用户更多样化、更个性化的需求。

搜索其实本身最开始的时候，更多的是围绕着关键词去做的，比如有query理解、召回、相关性等相关的工作，其实大部分的工作都是围绕着关键词去做的，去做一些精准意图的一个匹配。当然也有一些对用户的理解，比如在精排和重排里面会有一些用户侧的特征和序列去做建模，推荐一些相关的商品，但基本上还是以关键词为主。

在大模型时代，对整个的用户的理解会更加深入，以及对长尾query的理解也会更加深入。所以我觉得从这一点来说，它可能和传统搜索有很大的区别，它整个体验上以及发散性上会更好。

刘喜凯：我觉得从传统搜索到AI搜索，首先这两者不是谁要取代谁的关系，它的本质其实更像是两种模式。像传统搜索，它更多的是关键词驱动的模式，而现在的AI搜索，其实它的本质可能是变成了问题驱动。其实没有任何一个人的需求是搜索，搜索的本质其实带着问题的，我是要去解决我的问题，或者我要去得到某一些信息、内容。

谈到搜索的话，从古至今可能要到结绳记事说起，但它的本质其实是信息的分发。那现在互联网平台里面，不管是做C2C的信息分发，还是做B2C，包括像淘宝的本质可能是这种偏向于B2C的信息分发。那他要做的事情就是信息的组织，信息的产出者把信息产出来，有信息的消费者要去获取到这样子的信息。这个平台在做的事情，或者说搜索在做的核心事情，就是把这些东西做一个连接。在这里，C这个分发就会涉及到现在传统的操作方式，就是你用关键词去搜索，我把跟你更相关的给到你，然后你自己去看你想要什么。

而从AI搜索的角度来说，它更多的可能面向于是解决问题。我不单单是去给你做信息的搜索和收集，而是说你到底实际想要解决的问题是什么。那这样子的话，我直接把给到你想要的那个东西，其实可以做到对用户提效的过程。这个提效可能方面，可能是素质上的提效，也可能是质量上的提效等。这种作用我觉得是现在AI搜索比起传统搜索来说最重要的一个区别。

陈晓伟：我稍微补充一点，从传统搜索过去10几年的发展来看，本身当时的技术发展的没有那么先进的时候，用户的表达只能通过浓缩关键词去搜索，他也不能输入非常复杂的表达的语言。以电商为例，当时的技术背景就不能支撑说我们用户有更复杂的一个需求的表达。而AI搜索刚好给用户提供了这样的机会，他可以把他的需求更加个性化的去表达，整个的AI搜索的系统可以给用户召回检索出他更感兴趣的商品。在时代发展的背景下，可能AI搜索相比传统搜索有更大的优势。

陈飞：咱们两位我大概理解到一点，就是说无论哪种思维模式都在解决问题，都在解决于客户的需求问题,但解决问题的深度以及对常规的这种覆盖，可能AI搜索带来的一些本质的变化。

陈飞：回到一些技术的细节问题上来。晓伟在智能客服，以及淘工厂智能客服这块也做了一段时间，收益还是非常不错的。谈一谈这块引入智能之后带来的一些变化？

陈晓伟：智能客服其实在很多年前大家就已经开始做了，我接下来更多是想结合大模型，讲讲它的演进路径。基于大模型对智能客服进行升级，大概可以分为三个阶段，下面我简单说一下这个演进过程。

1.0阶段，核心工作是对大模型进行离线知识生产。具体来说，就是根据消费者提出的问题，让大模型生成相关知识，然后再经过人工审核，最终为消费者提供知识解答。

第二阶段，核心任务是让整个大模型实现在线化，直接面向消费者，解决他们的问题。

第三阶段，是结合AI Agent，赋予智能客服自主规划和执行的能力。

这三个阶段都在使用大语言模型，相较于传统的智能客服，具有以下几方面的优势。

第一点，就是用户意图理解。在原来的客服领域，对于消费者问题的理解，更多是依靠意图分类模型。比如，把用户的意图分成不同的类别，然后针对每一类构建知识答案，为消费者提供相应结果。但这种方式很难将用户成千上万的需求，浓缩一些类别来构造答案。这样一来，对用户表达的回应，或者给用户的答案，往往不够精准。而大模型天生就对用户意图理解有优势，对复杂问题的理解也更为精准，这是大模型在智能客服领域发挥优势的一个方面。

第二点，是上下文感知和理解能力。智能客服通常处于对话场景中，对长文本，比如用户的多轮对话，理解能力更强。有了这种多轮对话理解能力后，用户的意图表达可能不是一句话就能说清楚的，而是需要三五句话来阐述诉求。大模型天生具备长文本理解能力，因为它基于Transformer架构，能够看到之前的信息，这是它的一个优势。

第三点，我认为比较重要的是反问澄清能力。当用户表达的意图不清晰或者有歧义时，大模型可以通过优化Prompt等方式，让用户重新描述问题，进行澄清，这也是大模型的一个核心能力。

另外，大模型还能增强商品知识，也就是RAG，可以将商品更实时的数据、更丰富的商品知识，引入到整个智能客服的问题处理流程中。然后结合检索出来的信息和商品业务知识，进行信息融合和增强，最终生成高质量的答案。

最后一点，就是工具调用能力。AI Agent最大的优势就是具备对整个任务的规划和执行能力。可以分析消费者的问题，明确他的意图，然后调用不同的工具、调用相应的功能模块来处理。而且，当感知到用户有一定情绪后，还可以调用转人工服务的工具。这样一来，整个对消费者的回答会更加流畅，也能提升智能客服的满意度和用户体验。

陈飞：所以听起来，整个系统已经演进到了一定高度。在满足了80%的核心需求之后，已经开始深入满足那20%的长尾需求，架构上也变得更加复杂。喜凯也可以聊聊，小红书在H架构上，传统的搜索系统是怎么协同运作的？

刘喜凯：其实就像刚才讨论的，陈晓伟老师已经讲了很多技术细节，而且讲得特别好。咱们在搭建整个大框架时，采用的技术思路其实都差不多。不过在小红书这里，有几个比较有特色的地方。

首先，小红书是个社区，其次它具备搜索功能，最终还融合了AI搜索。所以我们可以得出个结论：在社区里加入AI搜索，不能破坏社区原有的调性，社区的整体定位不能改变。而搜索的本质是提升效率，所以AI搜索的嵌入，就不可避免地要和传统搜索相结合。

对于这个问题，我们的看法是，这两种搜索方式并非割裂关系，甚至不是竞争关系，它们的本质是相互促进的。我们希望AI搜索平台能更好地嵌入到搜索引擎里。我们做了件很关键的事，就是做好触发机制的设计，我觉得这是最重要的。我们从中获得了很多经验，比如不是所有用户都会接受AI搜索，甚至同一个用户也不会对所有问题都选择AI搜索。就像年初DCG刚推出时，DPCK的流量涨了很多，但同时也衍生出很多新问题，不过留存下来的用户需求，其实是对我们很有价值的。

针对这种情况，我们总结出的经验是，先做好触发机制。把AI搜索能真正提升用户效率的部分提供给用户，剩下的部分则给用户一个主动选择的机会。

所以，我们对小红书的AI搜索做了两种触发方式的判断：被动触发和主动触发。一方面，如果用户需要直接提升效率，我们就采用被动触发方式。用户点进来后，我们就能通过AI搜索帮他提升效率。

另一方面，对于部分需求，比如流量需求、经验类需求，或者其他小红书已经能很好满足的需求，比如用户搜索美甲店，这时候用户其实更想看双列形式的笔记。在这种情况下，我们就不去打扰用户，而是保留一个AI搜索入口。如果用户确实想得到AI搜索的答案，那他可以点击入口，更好地获取自己想要的答案。这是我们现在正在做的，出发点就是做好触发机制的设计。

为了做好这个触发机制，核心是要定义好用户的真实需求。我们对此进行了多层次的定义。

我们认为，目前做得最好或者最需要满足的，是简单的问答类问题。举个例子，用户问雍和宫几点开门，这时候用户需要的就是快速、准确、清晰地得到“八点半”这个答案。这种情况下，AI搜索和笔记可以形成互补关系。

第二种情况是复杂的决策类教程。比如用户要做购物决策，甚至旅游决策。这时候，我们可以通过站内内容等方式，给用户一个决策概览，让用户知道决策点有哪些，然后带着这些决策点去浏览笔记。这样，我们就能给用户提供真正有价值的信息，和传统搜索形成互补。

通过这两种方式，我们既能满足用户需求，又不会因为AI的介入，让用户在社区里的体验变得割裂。在其他需求场景下，我们认为传统搜索仍有其优势。所以，这两者应该是互利共生的关系，要在这个基础上实现更好的融合。

陈飞：要实现刚才讲的这样一个客服系统，里面涉及的要点非常复杂。在这么复杂的背景下，咱们的Agent应用和Workflow相结合的过程中，有什么典型案例可以分享吗？

陈晓伟：关于 Agent和Workflow，尤其是今年特别火，可以分为两个阶段来看。

记得在去年年初时候。当时吴恩达提出了一些相关框架，和我们的思路比较匹配。当时面临的核心背景是，在做整个大模型在线化的时候，遇到了一个很大的问题，就是时延问题。当时对整体的时延要求比较高，返回结果不能太慢。而当时处理的商品知识非常多，除了标题之外，还有OCR 信息等等，知识量很大。如果把这些信息全都放进去处理，本身就会有比较大的延迟，而且结果可能也不太理想。

基于这样的背景，构建了一个三阶段的链路式 Workflow。第一个阶段是意图识别，就像刚才提到的那样。第二个阶段，可以把整个大模型拆分成几个子模型，采用“Toolmodel”的方式去做。举个例子，可能有一个模型专门处理某个领域的问题，比如有一个模型专门处理 OCR 详情页的知识等等。

这几个模型会根据消费者的问题可以同时并行操作。这样每个子模型都会得出一个结果，每个子模型背后其实也是一个大模型经过微调的。拿到这些结果后，后面会有一个类似专家的“Summary Model”，它会根据每个子模型的结果进行总结，包括判断决策的优先级，最终决定选择哪个子模型的结果。当然，它自己也可以做一些综合判断，得到一个更好的结果，然后最终回答消费者。所以，这个过程中基本上有一个简单的规划过程。同时，它把整个串行任务拆分成并行任务去做，也会考虑每个子模型的结果，最终进行总结，以达到一个比较好的效果。

当时，线上延迟的问题可以得到了较大的缓解，同时消费者的体验也有了明显的提升。

另外，传统的大模型在自主规划和执行能力上还是比较弱的，所以今年大家都在搞 AI Agent 相关技术，它的最大特点就是具有环境感知、反思、规划和执行的能力。智能客服天然就有这样的应用场景。所以今年， Agent 的能力就可以应用到了智能客服场景中。

基于对消费者问题的理解、上下文的理解，以及反思能力的建设，通过构建一些自动执行工具的能力。这些工具可能是转人工服务，或者是尺码推荐等等。这样，整个流程的流畅度会更好一些。

陈飞：围绕小红书特色的一些点上面，Agent加上Workflow这块有没有一些什么实质性的案例或者进展？

刘喜凯：其实刚才提到了 Agent 加固和 Workflow，我们从去年开始就一直在做 Agent 加固以及 Workflow 这类形式的工作。我们有个比较大的判断：现在大家都在提 Agent 这个概念，那我们就思考，到底怎样才算是一个真正的、能起到明确作用的 Agent 呢？

仔细琢磨下来，它的本质就像我们刚才聊信息传播时说的，以前信息传播，只是负责搜集信息。而 Agent 呢，它直接面向最终结果和用户原本的需求，去做拟人化的操作。把这个事情拆解到整个链路里，它其实承担的是串联整个链路的作用，也就是能在合适的时间做合适的事，做出最正确的决策。

而 Workflow 呢，我们对它的定义更倾向于解决专业问题。我们有个很重要的观点，就是要让专业的人做专业的事。我们没办法指望一个 Agent 厉害到能把所有事情都做好。所以我们希望那些比较专业的事情，还是交给 Workflow 来处理。

举个例子，比如我们在做旅游相关业务的时候，Agent 在做什么呢？用户提出需求，这个需求可能长也可能短。Agent 要做的就是模拟用户需求，明确用户到底想要什么，然后尽可能多地搜集需要的信息。在搜集信息的过程中，信息可能是并行获取的，也可能涉及多步决策等等，需要获取到这些信息。在搜索信息时，有一种方案是调用搜索引擎，获取它的 top 结果。

还有一种方式，就是调用我们的 Workflow，用 Workflow 获取更专业的信息。比如，我们最终要产出一个旅游攻略，要得到一个结果。这时候，我们就得知道当地有哪些景点，或者有哪些美食推荐。其实这些子模块是可以用 Workflow 的方式来解决的。这样能更全面地获取更多信息。毕竟现在大家都在做类似的事情，但用起来可能也就是引入若干篇笔记或者若干篇内容供给，没办法获取足够多的信息。

而 Workflow 最大的优势就是目标精准。它可以一下子查看几千上万篇内容供给，然后从中提取出用户最需要的东西，甚至能以百分比的形式呈现，把所有决策链路都梳理出来。

这时候，Agent 要做的就是在获取这些供给的情况下，继续串联整个链路，发现还需要哪些信息作为主要决策点。在决策时，它可以选择调用一些简单信息，比如地铁几点开门，调用搜索引擎就能解决。但如果要生成行程图，或者想知道今天中午吃什么比较好这类情况，就可以用专业的 Workflow 来更好地解决。通过这种方式，就能实现让专业的人干专业的事。同时，Agent 也能更好地串联整个链路，进行更多深度搜索和内容收集。而 Workflow 能保证收集到的信息足够准确、全面。

陈飞：我觉得在智能客服领域还存在一个问题，我们自己在做面向 B 端客户业务的时候也碰到过，就是大模型的“幻觉”问题。我从你十月份要分享的 PPT 里面也留意到了这个非常关键的点，也就是幻觉优化。接下来还是请晓伟来给我们讲讲，从你的视角看，在你们的应用场景里，目前有没有一些好的办法来优化或者解决“幻觉”问题?

陈晓伟：幻觉其实是整个大模型领域普遍存在的问题。首先必须得承认，幻觉问题是不可避免的。毕竟大模型在运行过程中，因为它生成机制的特性，肯定会存在有些信息获取不到的情况，或者它会去揣测信息，又或者是为了和人类的表达方式对齐，从而输出一些答案，所以天然就会产生一些幻觉。那怎么去避免幻觉呢？其实幻觉的对立面就是准确率，核心的目标就是降低幻觉，优化准确率。

从优化的角度来看，有几点是比较重要的。

第一点就是要有高质量的数据。要是直接把通用大模型用到服务场景里，准确率和用户体验其实是比较差的。所以在前期阶段，需要积累大量关于智能客服的消费者与知识相关的问题和答案的高质量 QA 数据。同时做一些人工标注，清洗了大量的样本数据。这些数据覆盖了各行各业、各个类目，也包含了用户各种意图下的情况，这些数据非常重要，是基础。在此基础上，由于数据量还是不够，还可以基于更强大的大规模尺寸模型做一些数据合成。

不过，合成数据的时候也有可能出现幻觉，所以后面可以加一个类似于幻觉检测的分类模型，去检测生成的哪些 QA 数据更可靠。这样能进一步提升整个样本的质量，这是在数据方面觉得非常重要的工作。

另外一方面，是关于后处理训练（post training）的工作。这包括做一些偏好优化的对齐、微调等优化，也很重要。后面十月份可以分享一些相关内容，比如 DMLoRA、MPPO等等，这些论文已经公开发表。核心目的就是把整个幻觉率降下来，提升准确率，这对整体的帮助还是很大的。

第三点，前面也讲到了 RAG，不管是对直播看点知识的获取检索，还是对 OCR 商品详情页知识的获取检索，以及进行答案生成，RAG都起着比较重要的作用。核心大概就是这三方面的内容。

陈飞：那在近两年内，你觉得 AR 搜索这个领域最大的机遇和挑战分别是什么？甚至，你可以畅所欲言地聊聊，在你看来，下一代搜索形态会是什么样的？

陈晓伟：我先来说几点，刚才大家其实也提到过相关内容了。我觉得第一点比较重要的，是多模态数据处理及其理解能力。就像前面大家提到的，无论是在电商场景还是其他场景，对消费者的理解肯定不是单一模态能实现的，一定是文本、图片、视频、音频等多种模态综合的结果。毕竟人本身是可以同时处理文字、音频、视频等多个信号的，所以大模型或者 AI 搜索也需要往这个方向发展。有了对用户更深入的理解，整个搜索体验就能提升到一个新台阶，所以多模态理解能力非常重要。

我觉得第二个点，面临的挑战是如何设计更高效的推理框架。我们得在保证用户体验的前提下，给用户提供较好的搜索结果。用大模型的话，推理结果不错，但可能存在时效性问题；用小模型，推理结果可能没那么好，但时效性还可以。那该怎么设计一个机制来平衡呢？比如可以用大模型蒸馏技术，或者对模型进行剪枝等操作，进一步优化。但不管怎样，都需要进一步提升在线推理能力，这中间需要做好平衡。

说到商业机遇，首先，创作者可能会有更多机会。对于电商领域来说，长尾商品的机会可能会被放大。因为原来的Data- Driven方式主要是基于点击成交的数据反馈，这已经形成了一种信息茧房。而现在这种情况可能会被打破，对于一些长尾商品，商家也有动力去优化商品内容，这样商品就有更多曝光和成交的机会，所以这给长尾商品带来了更大的发展空间。

另外，我觉得还有一个比较大的挑战，同时也是机遇。就像刚才提到的，在电商场景中，搜索产品其实是用户选择的结果，或者说是用户被“驯化”的结果。可能这十几年来，用户只能通过现有的搜索方式，慢慢形成了这样的搜索心智，一直沿用这种方式。那未来如果要改变整个搜索的产品形态，比如让用户从原本比较机械的搜索方式，转变为用更自然、更精准的人类语言来表达诉求，产品形态该怎么设计呢？如何让用户逐步从接受到喜欢上新的搜索方式，这可能是一个比较大的挑战，当然也是一个很大的机遇。

刘喜凯：我这边思考后觉得，这其实是两个问题。先说第一个问题，就我个人的视角来看，未来一两年 AI 搜索最重要的事情有两件。当然，基础层面的东西大家肯定还是会继续迭代和优化的，但这两点特别关键，一是正确引导，二是足够快。

我觉得未来一两年，AI 搜索最重要的就是要快，其次是激发用户需求，这两点我认为是最关键的。从“快”的角度来说，AI 搜索核心在于提升效率，如何足够快地给用户准确的答案，这一点至关重要。就像刚才小伟也提到的，我们在做这件事时，如何提高推理效率等，会是一个非常大的突破点。要是大家在这方面都做得足够好，快 0.5 秒甚至 300 毫秒，都可能成为决定性的优势。

第二点，我觉得引导提问也非常重要。用户从老场景转换到新场景时，肯定需要一些引导。大家看现在的百度，搜索框都变大了，各家都把自己的搜索框设计成可延展的，就是在告诉用户，你不只能搜索关键词，还能搜索更多东西。

不过，除了产品形态上的设计，还有一个问题。传统的搜索引擎模式已经持续了几十年，大家都习惯了。那如何激发用户，让用户知道可以提问，并且能提出好问题，同时让用户知道 AI 搜索能承接这些好问题，这其实是未来一两年最重要的一件事，就是要帮助用户提出好问题。我这话可能说得有点抽象，但我觉得，如果未来五六年想把 AI 搜索做好，这是最重要的一件事。

从商业角度来看，沿着刚才的话题接着说，除了长尾博主或者类目会有发展之外，我个人感觉，AI 搜索已经确定是一个新入口，而且大家已经验证了它的价值。有价值就意味着会有新入口的出现。如果未来它继续发展，有很大概率会重塑很多行业。

比如说最简单的产业 GPT，目前它的营收方式就两种，那它能不能做广告营收呢？要是做广告营收，整个产品可能就会变味儿，对吧？所以很多做广告的人也会思考，在这种情况下如何更好地做广告。这样一来，整个商业化的逻辑就会发生很多变化。所以，我觉得在这个新入口下，一定会诞生很多新的小场景，甚至是一些新的小公司，他们会在这个新入口下进行很多新的商业化尝试。

再以小红书为例，我觉得除了能提升内容和博主质量之外，最重要的还有几层意义，就是对更精准流量的精准投放。以前搜索一个内容，需要搜大量信息，现在能精准地把你想要的东西给你。而且这个东西可能不是一段文本，而是一篇笔记直接推送给你。在这种情况下，整个商业逻辑也会发生变化。所以我觉得，这是未来一两年从商业角度来说很重要的事情。

陈飞：对呀，从需求的角度来说，搜索模式正从传统的关键词搜索转变为自然语言搜索，也就是用人类日常通俗的语言来表达需求。当信息含量、信息量以及信息密度都增加之后，自然就能从中挖掘出新的需求。而且就像刚才喜凯说的，整个产品结构很可能也会发生很大的变化。这种变化会催生、促进很多新的创新，也会有不少新企业应运而生。

2025年10月24-25日，北京DACon数智技术大会将在北京丽亭华苑举办，DACon大会汇聚了顶尖互联网公司的 Agentic AI 建设先锋，内容直击企业AI落地的核心挑战与解决方案。无论您是关注AI平台建设、工程效能提升、模型应用落地，还是寻求降低开发门槛、释放创新潜力的技术决策者或开发者，都将在这里获得极具价值的启发与实践参考。

除了两天的技术干货分享，会议现场还会组织闪电演讲，闭门会，晚场圆桌交流，讲师们会围绕具体的技术点进行介绍，旨在丰富大家在参会体验，希望大家不虚此行，满载而归。