搜索推荐正在从“排序模型 + 规则系统”走向“能理解、能规划、能反馈学习的 Agentic System”。美团业务研发平台/搜推 ASX 团队围绕大模型后训练、Agentic 强化学习、多模态理解等方向持续产出顶会研究，这类工作对业务工程的启发不只是“模型更大”，而是如何把大模型变成可控、可评估、能嵌入生产链路的智能组件。
搜推 Agent 不是聊天机器人，而是决策系统
在搜索推荐场景里，Agent 的目标通常不是闲聊，而是完成一串带约束的决策：理解用户意图、调用检索或排序工具、处理图片/文本/结构化上下文、生成解释或候选策略，并根据反馈持续优化。
这和传统搜推链路有几个明显差异：
- 输入更复杂：不仅有 query、用户画像、商户特征，还可能有图片、评论、地理位置、实时上下文。
- 动作更丰富：Agent 可以选择检索、重排、改写 query、调用多模态模型、请求补充信息。
- 训练目标更接近任务闭环：不只优化单点点击率，还要关注多步决策后的整体收益。
- 评估更困难：离线指标、在线指标、人工偏好、安全边界需要一起看。
ASX 团队关注的后训练、Agentic 强化学习、多模态理解，正好对应这三个工程痛点：让模型更会执行任务，让模型从交互反馈中学习，让模型看懂更丰富的业务世界。
后训练：把通用大模型磨成业务模型
通用大模型有语言能力，但直接进入搜推系统会遇到两个问题：一是业务概念不稳定，比如“附近好吃的轻食”背后有地理、品类、价格、时段等约束；二是输出不可控，比如模型可能生成听起来合理但不可执行的策略。
后训练的价值在于把模型行为压到业务轨道上。常见可实践路径包括：
- 监督微调：用高质量任务样本教模型按指定格式输出。
- 偏好优化：让模型学会在多个候选行为中选择更符合业务目标的一个。
- 工具调用训练：让模型知道什么时候查索引、什么时候调用排序服务、什么时候拒答。
- 安全与边界样本：减少幻觉、越权调用、错误解释。
对工程团队来说，后训练不是一次性“喂数据”，而是一个数据闭环：线上日志抽样、人工或规则标注、训练、评估、灰度，再回到日志。
Agentic 强化学习：优化的是多步行为
传统推荐模型常常把问题拆成召回、粗排、精排、重排，各模块分别优化。Agentic 强化学习的关注点更像“整条路径是否做对了”：模型先判断用户意图，再选择工具，再基于返回结果做下一步动作，最终影响用户体验。
可以把一次搜索推荐交互抽象成：
- 状态：用户上下文、query、历史行为、当前候选集。
- 动作：query 改写、选择召回通道、调用视觉理解、调整排序策略。
- 奖励：点击、转化、停留、用户反馈、违规惩罚、延迟惩罚。
- 策略：给定状态后选择下一步动作的模型。
这里最大的工程挑战不是算法公式，而是奖励设计。只奖励点击可能诱导标题党；只奖励转化可能牺牲探索；不惩罚延迟会让 Agent 滥用工具。因此，生产环境通常需要把业务收益、体验成本和安全约束组合起来。
多模态理解：让系统读懂图片、文本和场景
本地生活、餐饮、酒旅、零售等场景天然是多模态的。用户看到的是图片、门店名、菜单、评价、距离、价格；系统如果只理解文本，就会丢掉大量信号。
多模态理解在搜推里可以落到这些任务：
- 从商户图片中识别菜品、环境、风格。
- 将评论文本和图片证据对齐，降低虚假或无关内容影响。
- 用图片辅助 query 理解，例如“这种蛋糕附近有吗”。
- 为推荐解释提供更可信的证据链。
但多模态也会带来成本和风险：图片模型推理更贵，视觉标签可能误判，用户上传内容还涉及隐私和合规。工程落地时通常需要缓存、异步特征生产、置信度阈值和人工审核机制。
可以这样实践：一个最小 Agent 搜索重排原型
下面是一个可复制运行的 Python 示例，用来演示“Agent 根据 query 选择工具，再对候选结果重排”的最小形态。它不是论文实现，也不代表 ASX 内部系统，只是把上述思想压缩成一个可改造的工程骨架。
运行前只需要本机安装 Python 3.10+。把代码保存为 agentic_search_demo.py 后执行 python agentic_search_demo.py。
from dataclasses import dataclass
from typing import Callable
@dataclass
class Item:
name: str
category: str
distance_km: float
rating: float
price: int
tags: list[str]
CATALOG = [
Item("青禾轻食", "healthy", 0.8, 4.7, 38, ["沙拉", "低脂", "午餐"]),
Item("巷口火锅", "hotpot", 1.2, 4.8, 96, ["聚餐", "麻辣", "晚餐"]),
Item("麦香蛋糕", "bakery", 0.5, 4.6, 52, ["生日", "蛋糕", "下午茶"]),
Item("快客简餐", "fast_food", 0.3, 4.2, 24, ["便宜", "快", "午餐"]),
]
def retrieve(query: str) -> list[Item]:
keywords = set(query.lower().split())
results = []
for item in CATALOG:
haystack = " ".join([item.name, item.category, *item.tags]).lower()
if any(word in haystack for word in keywords):
results.append(item)
return results or CATALOG
def intent_policy(query: str) -> Callable[[Item], float]:
query = query.lower()
def score(item: Item) -> float:
value = item.rating * 2 - item.distance_km
if "便宜" in query or "cheap" in query:
value -= item.price / 50
if "附近" in query or "near" in query:
value -= item.distance_km * 2
if "健康" in query or "轻食" in query or "healthy" in query:
value += 3 if item.category == "healthy" else 0
if "蛋糕" in query or "cake" in query:
value += 3 if item.category == "bakery" else 0
return value
return score
def agent_search(query: str) -> list[Item]:
candidates = retrieve(query)
ranker = intent_policy(query)
return sorted(candidates, key=ranker, reverse=True)
if __name__ == "__main__":
query = "附近 健康 午餐"
ranked = agent_search(query)
for index, item in enumerate(ranked, start=1):
print(f"{index}. {item.name} | {item.category} | {item.distance_km}km | ¥{item.price} | {item.rating}")
这个原型可以继续演进：
- 把
intent_policy替换成大模型函数调用，让模型输出结构化意图。 - 把
retrieve接到 Elasticsearch、向量数据库或内部召回服务。 - 把排序分数拆成可观测特征，记录每次决策原因。
- 加入延迟、价格、商户质量、安全规则等惩罚项。
- 用线上反馈构造偏好样本，做后训练或策略优化。
如果要把它改成 API 服务，可以先约定 Agent 的输入输出格式：
{
"query": "附近适合生日的蛋糕",
"user_context": {
"lat": 31.2304,
"lng": 121.4737,
"time": "afternoon"
},
"constraints": {
"max_distance_km": 3,
"max_latency_ms": 300
}
}
生产系统中，强烈建议让 Agent 输出结构化 JSON，而不是自由文本。这样后续服务可以校验字段、打日志、回放评估，也能在模型异常时快速降级。
落地时要盯住的边界
ASX 这类研究方向对搜推工程很有启发，但从论文走到生产还需要克制：
- 不要让 Agent 绕过现有安全规则：工具调用权限、内容安全、商户公平性都要硬约束。
- 不要只看模型离线分数：多步系统要看延迟、稳定性、成本和线上业务指标。
- 不要把奖励写得过窄：单一点击奖励可能放大短期行为，伤害长期体验。
- 保留可解释和可回放能力：每次工具选择、候选集变化、重排原因都应能追踪。
- 灰度替换，而不是一刀切重构：先从 query 改写、解释生成、多模态特征补充等低风险环节切入。
更现实的采用路径是：先用大模型增强局部模块，再把反馈数据沉淀为后训练样本，最后逐步引入 Agentic 强化学习优化多步策略。这样既能吃到大模型能力红利，也不会把核心搜推链路一次性暴露在不可控风险里。