Circle K 利用 Amazon Bedrock 将 DevOps 事件分诊缩短至 15 分钟以内
Circle K 基于 Amazon Bedrock 构建自动分诊系统,将平均分诊时间降至 15 分钟以内,效率提升 67%–75%。 系统采用 Agentic AI 架构,利用 Bedrock Flows 及 AgentCore 自动检索日志并生成 Slack 摘要。 此举让值班工程师即刻获取可操作上下文,免去了手动排查 45–60 分钟的操作。
Circle K 基于 Amazon Bedrock 构建自动分诊系统,将平均分诊时间降至 15 分钟以内,效率提升 67%–75%。 系统采用 Agentic AI 架构,利用 Bedrock Flows 及 AgentCore 自动检索日志并生成 Slack 摘要。 此举让值班工程师即刻获取可操作上下文,免去了手动排查 45–60 分钟的操作。
针对 5 款商业 LLM 的 400 题基准测试显示,GPT-5 mini 和 Grok 4 Fast 在外部知识问题上搜索率超 90%,而在内部知识问题上仅 1%。
ZEST-Search提出一种无标签、工具高效的搜索智能体训练框架,通过异构共进化实现性能提升。 该框架使用非标签参考问题在线构建验证任务,并采用中间难度奖励与工具感知奖励优化任务难度与搜索效率。 实验表明,在七个通用及多跳问答基准上,ZEST-Search在无需专家轨迹的情况下显著提高了搜索效率。
针对LLM智能体本地搜索评估覆盖度不足的问题,推出ATLAS-Bench基准与ATLASBox评测环境。 ATLAS-Bench包含3个区域扩展的1,200条查询,区分强制要求与偏好;ATLASBox提供固定POI知识库及搜索工具。 在11个模型的14种配置评估中,GPT-6-Luna约束满足率达71.5%,GLM-5.3可行查询推荐率85.3%。
研究揭示了搜索智能体在长时程轨迹中易受分轮次策略攻击的安全风险。 提出的 Authority-Chain Hijack (ACH) 方法在 SafeSearch 测试集上达到 55.9% 的整体攻击成功率。 进一步引入的 Trace-Guided Strategy Evolution (TGSE) 在留出评估中最高达到 95.0% 的 MaxN ASR。
SandwichR 通过 Answer-Reasoning-Answer 范式解决查询纠错延迟痛点,达到与标准 CoT 相当的 SOTA 准确率,同时降低 40-70% 延迟。 该方法采用一致性感知强化学习对齐初答与推理,并构建高质量数据集填补专项基准空白。 此方法在 CIKM 2026 发表,实现了在线搜索中延迟与准确率的平衡。
研究评估了3,611个健康问题的Google AI Overviews,发现其与传统搜索来源重叠度低且过度依赖商业发布源。AI Overviews在6项可靠性标准中的4项得分低于传统结果,且56.7%的被引用语句缺乏充分依据,仅获得医生评分标准的38.2%。
针对 /llms.txt 在普通检索固定下的增量安全与效用影响,研究设计了框架与试点测试,发现外部审计未分离出该影响。 在15个工具的45次试验中,目标端点未观察到自动请求;2026年5月日志显示,97%检测到该文件的域名无请求记录。
研究人员提出RAID方法,通过角色增强意图驱动优化生成式搜索引擎内容可见性,无需访问目标查询或相关反馈。 在100个样本和500个评估查询中,RAID的目标整体相对改进得分(RIS)达3.00%,主观平均分1.32%,有效优化率平均为58.0%。 该方法在生成式搜索引擎普及背景下,为内容优化提供了新途径,提升了不可见查询下的优化能力。
PailitaoMMSearch 2.0 已部署于淘宝拍立淘多模态搜索应用,通过数据、意图和场景三维度的规模化扩展,实现了从原始图像和自由指令直接生成商品语义 ID。在线 A/B 测试显示,商品浏览量提升 17.90%,交易额提升 27.04%,GMV 提升 8.94%。
API框架将预训练稀疏自编码器的特征索引直接复用为语义ID词表,解决了生成式推荐中额外训练成本及词表覆盖依赖的问题。 该框架包含预训练可解释ID(PIDs)与语义预测适配器(SPA),通过联合预测特征索引与激活强度来区分物品并学习用户偏好。 实验表明API在保持紧凑token预算下具备竞争力,并实现了可解释的检索。
LiveSearch 是一个金融搜索实时基准,它将问题存储为对专业金融数据服务的可执行验证代码,在评估时动态确定正确答案。 该基准通过每日自动重新执行程序来避免答案过时,且构建过程仅由语言模型将工具响应转化为程序,不参与答案选择。 在通用网络搜索条件下,六款最新的工具调用模型回答准确率介于 70.9% 至 76.7% 之间,且在三天内 70% 的问题黄金值发生变化。
基于 500 万网页样本的研究显示,AI 生成文本占比激增但分布不均,英语网页及.com 域名占比更高。 分析发现网页在连接图中越不中心,AI 文本增长越迅速,最中心层级 AI 内容最少。 这表明 AI 已成为公共信息传播中显著但多样化的组成部分。
LongSearchEval 框架通过轨迹感知评估 16 个大语言模型,收集 1,600 次运行记录,定位 6,545 个失败节点。 该框架在 100 个任务上验证答案组,人工验证显示答案标签一致性达 94.50%,特征对应精确率 98.11%。 该评估支持受控模型比较及回答相关内容的回溯检查。
提出 SearchHorizonBench 基准,用于从执行经验中学习与评估 AI Agent 的搜索价值。基准包含 45,632 次执行和 3,168 个问题,历史校准可将 Brier 误差降低 16.2%。 搜索收益标准差为 21.4 个百分点,现有历史估计器仅能解释少于 2% 的点估计方差。在参考 token 价格下,自由选择观测比最佳常数动作带来 2.49 分效用机会。
研究识别出长程搜索中模型未耗尽上下文窗口即提前终止或给出错误答案的失败模式。 分析了七种上下文管理方法及行为感知并行采样策略,并行采样带来 2.6% 至 4.9% 的性能提升。
Certify 系统利用需求超图和 Horn 闭包判定证据充分性,在三个语料库上的决策准确率显著优于搜索代理和充分性判断器。 实体检查使决策准确率在存在黄金证据时提升 4 至 13 个百分点;基于该证明生成的答案正确率达 80%,高于全检索片段的 57%。 该方法无需额外模型调用即可匹配专有模型的充分性标签,实现了结构化证据验证。
提出 PatEx-Gym 框架以解决专利审查中先例搜索难题,包含 1K 任务基准及超 1M 专利语料库。 引入 PASS 无标注轨迹合成方法,通过监督微调训练出 4B 参数规模的 PatEx-Agent 轻量基线模型。 实验表明该小型模型在新颖性评估任务中性能具有竞争力,为深度智能体搜索提供测试场景。
论文提出关联规则挖掘作为无需标注的非监督新闻框架检测框架,利用高提升共现规则识别候选框架信号。 基于16家英美法德媒体2023-2024年加沙战争的25,512篇英文文章,使用Apriori算法发现跨平台军事框架{israeli, strike}→{kill}在14家媒体出现。 FP-Growth在1,575篇阿拉伯语文章上实现句级分析,验证结果被两家调查报道机构采用。
Astro2Method 是一个包含 500 道经专家审核的二选一问题的基准测试集,覆盖 346 篇 2024 年 1 月至 2026 年 6 月间的天文学论文。
研究构建了推理-搜索增强型 LLM 的运营分类学,通过四个架构轴分析将逐步推理与交互式搜索紧密耦合的系统,并独立处理学习信号这一横向维度。 系统通过交错规划、查询、检索、整合、验证和停止来实施推理-搜索循环,区分了基准难度与 RSA-loop 需求,并综合了受控的消融实验和质量成本差异。 该研究旨在厘清推理-搜索增强型 LLM 的现状,并概述塑造未来研究的设计选择的统一视角。
summary_zh: SearchWeaver 是一个自动优化智能体搜索接口的框架。它通过执行轨迹和任务奖励,共同修改语料库工件、可执行工具及使用说明。 使用 GPT-5.4-nano,优化后的接口将 BrowseComp-Plus 准确率从 71.6% 提升至 78.4%,四个 BRIGHT 子集的 nDCG@10 平均从 45.7 提高至 55.0。
CORE 方法通过优化检索内容控制 LLM 搜索输出排序,平均提升成功率达 91.4%(Top-5)。 实验基于含 15 个品类的 ProductBench 数据集,在 GPT-4o、Gemini-2.5 等模型上验证,保持内容流畅性。 该研究有助于缓解独立创作者在生成式搜索中的可见性劣势。
PRISM 框架在无需微调的情况下优化金融信息检索,显著提升 FiQA-2018 Recall@100 至 0.8326,并将 FinAgentBench 查询成本降低约 35%。
研究提出覆盖arXiv八大领域的CompLit基准,测试智能体寻找隐式、累积及未满足文献需求的能力。Codex(GPT-5.6-Sol)和Claude Code(Opus 4.8)在标准查询中准确率分别为86%和87%,但在隐式需求下降至66%和68%。 未满足需求的查询中两者放弃率最高达53%,且所有智能体在2019年前或2023年后的论文上表现更差,揭示其常能定位正确论文但误判其适用性。
论文提出 AISTRAL 架构,旨在解决 AI 智能体主导互联网消费时发布商缺乏内容控制权的问题。该架构通过发布商控制接口暴露语义单元,并采用类 DNS 的语义解析器供智能体直接检索。端到端原型在准确率上至少匹配集中式管道,特定场景下高出 4.2 倍,单次查询数据传输量降低 2.9-41 倍。这使归因和使用策略随内容传递,从而重新平衡互联网生态激励。
大型美国零售商部署 MOSS 框架超六个月,捕获两个服务缺陷,其中一个修复使告警率相对降低 76.4%。 基于 498 对人工标注推荐基准,前沿 LLM 在需意图级推理任务上的 F1 和 AUC 显著优于内部嵌入与 SBERT。 单一 LLM 监控框架经提示词适配即可迁移至搜索场景,为大电商提供可操作的质量信号。
阿里云百炼发布 One Key MCP 服务,将联网搜索、图像生成、视频生成、语音识别、语音合成及网页解析六项能力收进同一平台,使用一个 API Key 即可统一调用。
研究发现生成式检索中 SID 语义漂移导致检索质量严重下降,beam size 为 1 时 HitRate 降低 41.78% 至 62.05%,而 beam size 1000 时仅降低 8.33% 至 10.85%。
CARRS 实时路由系统融合 A*、Dijkstra 与双向 A* 算法及约束满足方法,专门优化应急车辆路径。 基于 OpenStreetMap 数据和模拟交通场景评估,该系统在 35 秒内生成子图最优路径,重路由响应时间低于 20 秒。 系统对特定车辆约束的遵守率超过 90%,为实现动态城市环境下的自适应应急协调提供了可行架构。
ClueFlow 通过构建 Source-State-Final 归属链学习长程搜索,在 Qwen3.5-35B-A3B 骨干上 BrowseComp 准确率达 60.0%,BrowseComp-Plus 达 72.0%。
OpenSaC 是一款开源 Python 库,支持深度研究智能体通过编写程序组合搜索、重排序及模型调用等“搜索即代码”操作。 在 BrowseComp 和 WideSearch 评测中,相比标准 Codex,OpenSaC 配置消耗更少执行时间和模型 token,BrowseComp 准确率更高,WideSearch 行 F1 略低。
论文提出 FinHopper,一个控制推理深度为 1-6 跳的金融多跳检索基准,包含股票、基金及宏观经济事实的中间答案,支持过程级评估。 该基准通过状态转移合成框架构建,结合人工专家验证与模型集成检查,确保数据质量。 实验显示 20 种 LLM 智能体配置中,公开搜索工具必要但不足,性能随跳数增加急剧下降,且过程感知评分能揭示最终答案评估中隐藏的推理进展。
论文提出 EvoBrowseComp 基准,包含 400 道英文和 400 道中文无污染复杂问题。 通过三智能体框架实现自动化合成,定期更新以对抗静态污染,确立可扩展的高难度评测范式。
一项包含 31,200 次响应的受控审计表明,生成引擎引用的来源随用户位置渠道不同而变化,导致商业可见性受地域影响。ChatGPT 遵循应用声明的城市位置,将地名写入搜索查询;而 Gemini 忽略声明位置,仅依据网络国家定位并大幅更换来源。 因此,针对生成引擎的优化(GEO)监测必须同时控制声明位置与网络位置两个渠道,才能获得准确的可见性评估。
GLOBE 提出了一种演进式结构化智能体记忆框架,用于生成式搜索下的电商产品优化。 该框架通过编辑器(Editor)应用行为并获取基于排名的反馈,由反思器(Reflector)更新行为,同时协调员(Moderator)和策展人(Curator)负责去除冗余、提交变更及停用有害行为,从而将单集反馈转化为持久的字段级优化记忆。
SAG2 提出了一种无需离线嵌入计算的检索架构,仅依赖单个 SQLite 数据库和 BM25 词法索引。 在 MuSiQue、2WikiMultiHopQA 和 HotpotQA 的 1000 题子集上,SAG2 取得了 86.62%、97.43% 和 99.00% 的 Recall@10,索引 11,656 个段落耗时 2.36 秒。
DeepSeek V4.1 Flash 更新至 V4.1-Flash-1017 版本,官方网页端、APP 与 API 已同步变更。新版通过强化学习提升了游戏开发与 3D 建模等项目构建能力,并优化了性能与成本平衡,支持在较少的提示词条件下实现复杂任务。
推荐理由:新版本提升了游戏与3D项目开发能力,开放了带鉴权的自研搜索 API,并同步更新多端入口。
研究表明,经典基于词项的检索模型(如 BM25)并未对 LLM 生成内容表现出固有偏见,而是优先排序词项分布与查询更匹配的文档。 LLM 生成文本在语言分析上呈现出平滑的高频分布、陡峭的低频 Zipf 斜率、更高的词项具体性及文档级多样性。 该研究为理解混合来源内容中检索系统的潜在偏见提供了理论基础。
研究引入 VoteGEO-Bench 基准,覆盖 2024 美国大选与 2026 日本众议院选举,评估生成式引擎优化(GEO)在投票场景下的风险。该基准结合选举相关查询、历史网页及选民画像,用于分析外部网络内容如何塑造大语言模型呈现的政治信息。