面对AI搜索精准与覆盖的矛盾，淘宝的LLM插件给出了新解法。同时，一种名为TagRAG的框架正试图重塑知识图谱构建，大幅提升效率。这篇文章深入解析了这两项前沿技术的核心思路与实测效果，为解决工程落地难题提供了新视角。
智能速览
淘宝AI搜索插件解决了“找不到”和“太杂”的核心矛盾。
LEAPS框架通过三阶段微调合成数据，点击率提升16.4%。
TagRAG用标签链代替社区摘要，构建效率提升14.6倍。
下游验证器整合多源数据，通过CoT推理实现精准过滤。
新方法虽能扩大召回，但生成数据难以复用是共同痛点。
精华内容
技术突破往往源于对核心矛盾的拆解。淘宝搜索优化与TagRAG正是如此，它们从不同维度切入，探索AI应用的新可能。
淘宝搜索新解
传统电商AI搜索面临两难：精准描述导致零结果，泛化搜索则造成信息过载。为此，一项名为LEAPS的LLM自适应插件应运而生，旨在通过查询扩展和结果验证，找到“宽覆盖”与“高精度”的平衡点。该方案在不改动底层搜索引擎的前提下，实现了点击率（CTR）提升16.4%，低结果率（LRR）降低31.7%的显著效果。
这种插件化思路，为复杂系统的渐进式优化提供了范例，证明在工程侧巧思也能带来算法层面的巨大收益。
三阶段数据微调
为解决“零结果”问题，LEAPS的查询扩展器采用了三阶段训练策略。首先，通过逆数据增强，从200万条高质量商品标题反向生成口语化查询，构建了坚实的〈查询-重写〉基础。接着，利用20万条真实搜索查询进行后验知识SFT，通过分解属性、生成重写、引擎验证和评分筛选，让模型学会在真实场景下工作。
最后，针对5万条独特查询进行多样性强化学习（RL），通过设计混合相关性和有效相关性等三类奖励信号进行优化。实验证明，GSPO算法在稳定性与收敛效果上最优，在230步训练后达到0.61的峰值奖励。
智能验证过滤
面对“决策过载”难题，LEAPS的下游相关性验证器充当了决策代理。它整合了商品标题、OCR文本、用户评论、价格、销量、品牌声誉等多源异构数据，构建了更全面的商品理解。
通过多指令SFT，模型将人类决策逻辑内化为思维链（CoT）推理能力，能输出相关性标签并附带简洁理由，有效过滤不符合复杂约束的噪声商品。这一过程将筛选负担从用户转移至系统，通过自动批处理和动态分页策略，实现了平均150ms的低延迟高效部署。
TagRAG新思路
在知识图谱检索增强生成（GraphRAG）领域，一种名为TagRAG的新框架提供了不同视角。它不再依赖LLM提取实体并构建社区摘要，而是转而从标签角度入手，构建分层知识图谱。其核心在于，先从文档中提取对象标签及关系，再将这些对象标签关联到预定义的根领域标签，形成有向无环图（DAG）的领域标签链。
这种方法将复杂的图构建问题，转化为相对可控的标签提取与组织问题。
效率提升与反思
TagRAG的评估数据集覆盖农业、计算机科学、法律等多个领域。与NaiveRAG、GraphRAG等基线模型相比，TagRAG展现出巨大优势。其构建效率是GraphRAG的14.6倍，检索效率是1.9倍，增量构建时间从30.47小时缩短至6.37小时。
核心原因在于，TagRAG通过领域标签链替代了耗时的社区摘要，大幅减少了LLM调用次数和全图重构成本。然而，一个值得深思的观点是，这类方案的本质都是通过暴力扩展路径来提升召回率，但其产生的标签、摘要等中间产物，难以作为高质量数据资产被复用，这或许是当前RAG技术的普遍局限。
无论是电商搜索的精细化运营，还是知识检索的效率革命，技术迭代始终围绕解决实际痛点。这些探索为AI在更多场景的落地铺平了道路，但其数据资产的长期价值，或许值得更多思考。
