Agentic Search：下一代搜索体验
核心概念与联系
故事引入
我们先来讲一个生活中的小故事：
🔔
周末你要在家办8个人的生日派对，有2个朋友是素食主义者，1个朋友对芒果过敏，预算总共500块，需要准备餐食和派对装饰，还要确保所有朋友都能吃的开心。
如果用传统搜索，你需要怎么做？
搜「8人生日派对菜单 素食友好 无芒果」，翻3页找3个合适的菜单，自己对比食材成本
搜「派对装饰 性价比高 适合8人」，找符合预算的装饰套装
搜「附近生鲜超市 送货上门」，找可以当天送到的采购渠道
自己用计算器算所有开销加起来有没有超过500块
前前后后至少要花40分钟，还可能漏了某个朋友的饮食禁忌。
🔔
如果用Agentic Search呢？你只需要输入一句话：「帮我规划一个8人生日派对的方案，2人素食1人芒果过敏，总预算500块，要能今天上门配送」，30秒后你就能拿到这样的结果：
✅ 最终方案总预算489元，符合要求：
•
菜单（329元）：番茄意面、烤蔬菜拼盘、无芒果水果沙拉、奥尔良烤鸡翅、柠檬气泡水，所有食材均不含芒果，素食菜品单独标注，采购自京东到家，今天下午3点送达
•
装饰（160元）：生日气球套装、生日快乐横幅、一次性餐具，采购自拼多多，今天下午2点送达
•
附上所有商品的购买链接，点击即可直接下单
🔔
你不需要翻任何网页，不需要自己算价格，甚至不需要自己找购买渠道，直接就能用——这就是Agentic Search的魔力，它不是给你一堆信息让你自己选，而是直接帮你把事办好。
核心概念解释
核心概念一：Agentic Search是什么？
我们可以把传统搜索比作「图书馆的索引目录」：你想找怎么烤蛋糕，它告诉你在哪几本书的第几页有相关内容，你要自己翻书、自己整理步骤。
🔔
而Agentic Search就是「你的专属私人助理」：你跟它说「我要烤一个适合3岁小朋友吃的无蔗糖蛋糕，家里只有鸡蛋面粉和牛奶」
它直接给你整理好步骤，甚至告诉你如果没有烤箱用蒸锅怎么替代，你照着做就行，完全不用自己找资料。
简单来说，传统搜索是「人找信息」，Agentic Search是「信息找人，甚至帮人办事」。
核心概念二：智能体（Agent）是什么？
智能体就像你家的小管家：它有自己的工作目标（满足你的需求），会自己规划做事的步骤，会用家里的各种工具（洗衣机、吸尘器、买菜APP），做完事还会自己检查有没有做好，没做好就重新做。
🔔
对应到搜索场景里，智能体就是Agentic Search的大脑：它拿到你的需求后，会自己拆分要做的步骤，判断什么时候需要搜资料，什么时候需要算价格，什么时候需要核对需求有没有满足，全程不需要你干预。
核心概念三：工具调用是什么？
你家的小管家不会凭空变出菜，也不会凭空算出账单，他需要用买菜APP买菜，用计算器算钱——这些他能用到的东西就是工具。
🔔
Agentic Search的工具就更多了：需要实时信息就用搜索引擎，需要算价格就用计算器，需要订酒店就用OTA平台的API，需要查天气就用天气API，只要是有接口的服务，都可以变成智能体能用的工具。
核心概念四：意图对齐是什么？
你跟小管家说「我明天要去哈尔滨出差」，不用你额外说，他就会给你准备厚羽绒服、暖宝宝，提醒你那边零下20度要注意保暖——这就是他懂了你没说出口的隐性需求，也就是意图对齐。
🔔
Agentic Search的意图对齐能力就是能听懂你没说出来的需求：比如你说「带3岁娃去三亚玩」，它就知道要找慢行程、离医院近的酒店，要推荐不用爬山的景点，要推荐适合小孩吃的清淡餐饮，不用你一条条说出来。
核心概念五：迭代反思是什么？
小管家给你买的蛋糕有芒果，他自己发现你家有人对芒果过敏，就会主动拿去退了换一个无芒果的——这就是迭代反思，做完事自己检查有没有错，错了就改。
🔔
Agentic Search的迭代反思能力就是每做完一步就校验结果：比如找的酒店预算超了1000块，它就会自动重新找符合预算的；比如搜出来的新闻是2021年的过期数据，它就会重新搜2024年的最新数据，直到所有结果都符合你的需求为止。
核心概念之间的关系
我们可以把Agentic Search比作一个足球队：
•
智能体是队长：负责统筹所有工作，制定战术（任务规划）
•
意图对齐是前锋：负责接住用户传过来的球（需求），准确理解要往哪个方向踢
•
工具调用是中场：负责跑位、传球，用各种工具拿到需要的信息
•
迭代反思是后卫：负责防守，把不符合要求的结果拦下来，重新处理
•
最终输出的结果就是进球：满足用户的需求
我们也可以用表格清晰对比传统搜索和Agentic Search的差异：
🔔
•
| 对比维度 | 传统关键词搜索 | Agentic Search（智能体搜索） |
•
| — | — | — |
•
| 输入形式 | 关键词、短句 | 自然语言复杂需求，支持多约束条件 |
•
| 输出形式 | 链接列表、广告 | 结构化结果、行动方案、甚至直接完成操作 |
•
| 处理逻辑 | 关键词匹配、倒排索引 | 意图理解→任务规划→工具调用→结果整合→反思校验 |
•
| 人工成本 | 需要用户自己筛选、整合、校验信息 | 零人工成本，直接用最终结果 |
•
| 支持任务类型 | 单步简单查询（查天气、查名词解释） | 多步复杂任务（做攻略、写报告、采购规划） |
核心概念原理和架构的文本示意图
我们用最直白的文字把Agentic Search的工作流程画出来：
核心工作流程Mermaid流程图
核心算法原理 & 具体操作步骤
Agentic Search的核心算法逻辑可以拆解为5个步骤，我们一步步来讲：
步骤1：意图理解
拿到用户的需求后，第一步是要准确理解用户想要什么，有哪些约束条件。这一步用的技术是大语言模型的实体抽取+分类能力：
•
首先把用户的自然语言需求拆成「核心目标」和「约束条件」两个部分
•
比如用户需求「带3岁娃和60岁父母去三亚玩5天，预算1万，住海景房，不要赶行程」，核心目标是「做三亚5天旅游攻略」，约束条件是「3岁娃、60岁老人、预算1万、海景房、慢行程」
技术上我们会给大模型喂few-shot示例，让它按照固定的格式抽取实体，比如：
代码块
Plain Text
示例输入：我要给男朋友买2000元以内的原神联名机械键盘
示例输出：
核心目标：选购机械键盘
约束条件：预算2000元以内、原神联名、送给男朋友
步骤2：任务规划
🔔
•
检索三亚适合亲子+老人的5天慢节奏行程，避开爬山、长时间走路的景点
•
检索三亚近7天的天气情况，确认是否适合出行
•
检索行程沿线的海景酒店，价格在500-800元/晚，符合总预算
•
检索行程附近适合老人小孩的清淡餐饮
•
计算所有开销（酒店+门票+餐饮+交通）的总和，确认不超过1万
大模型会自动评估每个步骤的可行性，优先选择准确率高、耗时短的路径，比如不需要查天气的话就跳过这一步
步骤3：工具调用
拆分完步骤之后，大模型会判断每个步骤需要用什么工具，这一步用的是Function Calling技术：
我们会预先给大模型提供工具列表，每个工具都有清晰的功能描述，比如：
代码块
Plain Text
•
大模型会自动选择对应的工具，比如算预算的时候调用Calculator，查天气的时候调用WeatherAPI
•
如果调用工具返回的结果不符合要求，大模型会调整参数重新调用，比如搜出来的酒店价格太高，就把搜索关键词改成「三亚海景酒店 500元/晚以内」重新搜
步骤4：结果整合
所有步骤的信息都拿到之后，要把多源的信息整合成统一的结构化结果，这一步用的是RAG（检索增强生成）技术：
•
把所有检索到的信息（行程、酒店、餐饮、预算）拼接成prompt，喂给大模型
•
让大模型按照固定的格式输出结果，比如分「酒店推荐」「每日行程」「餐饮推荐」「预算明细」四个部分
•
每个信息点都附上原始来源链接，方便用户溯源校验
步骤5：反思校验
结果整合完成之后，还要最后检查一遍有没有符合所有约束条件，这一步用的是Self-Consistency（自一致性）+Reflection（反射）技术：
•
让大模型对照用户的所有约束条件逐一检查，比如有没有超过预算、有没有不符合老人小孩的行程、有没有非海景房
•
如果发现不符合的地方，就回到对应的步骤重新执行，比如预算超了2000，就重新找更便宜的酒店，或者调整行程去掉收费高的景点
•
一般最多迭代3-5次，就能得到符合要求的结果
数学模型和公式 & 详细讲解 & 举例说明
Agentic Search的核心算法用到三个基础的数学模型，我们用最直白的语言讲解：
意图理解的相似度计算模型
我们用余弦相似度来判断用户的需求和预定义的任务类型的匹配度，公式是：
🔔
•
其中v1是用户需求的向量表示，v2是预定义的任务类型（比如做攻略、买东西、写报告）的向量表示，相似度得分在0到1之间，得分越高匹配度越高。
•
比如用户输入「带娃去三亚玩」，和「做旅游攻略」的相似度是0.92，和「买机票」的相似度是0.35，所以判断用户的核心目标是做旅游攻略。
任务规划的奖励函数模型
我们用奖励函数来选择最优的任务执行路径，公式是：
其中：
•
R(s,a)是在状态s下执行动作a的总奖励
•
wi是每个评估维度的权重，比如准确率权重0.6，耗时权重0.2，成本权重0.2
•
fi(s,a)是每个维度的得分，比如准确率得分100分，耗时得分80分，成本得分90分
比如有两个执行路径：路径A准确率90%，耗时10秒，成本0.01元，总奖励是0.6∗90+0.2∗80+0.2∗90=880.6*90 + 0.2*80 + 0.2*90 = 880.6∗90+0.2∗80+0.2∗90=88分；路径B准确率95%，耗时30秒，成本0.05元，总奖励是0.6∗95+0.2∗60+0.2∗70=830.6*95 +0.2*60 +0.2*70 = 830.6∗95+0.2∗60+0.2∗70=83分，所以选择路径A。
反思校验的准确率计算模型
我们用准确率来判断结果是否符合要求，公式是：
其中Ncorrect{correct} 是符合约束条件的结果数量，N total是总约束条件数量，准确率超过0.9（90%）就输出结果，否则重新执行。
🔔
比如用户有5个约束条件，结果满足了4个，准确率是0.8，低于阈值，就需要重新调整结果。