火山引擎开源 Agent 驱动的搜索自迭代技术

📌 一句话摘要

火山引擎开源 SearchCLI，通过 Agent 驱动的搜索自迭代和 SPA 框架，实现搜索策略的自动优化与闭环验证。

📝 详细摘要

文章围绕搜索系统在实际业务中参数相互影响、难以持续低成本调优的问题，提出了 Agent 驱动的搜索自迭代方案。方案由三层组成：Agent 负责理解目标、选择评测路径并解释结果；Skills 提供参数语义、调优边界、安全规则和标准工作流；SearchCLI 负责批量搜索、标注、缓存、指标计算、断点续传和报告生成。核心的 SPA（Strategy Population Annealing）算法把搜索策略编码为带领域语义的 Genome，通过多保真评测、多视角 Elite、语义化进化与退火机制分配评测预算，并用鲁棒统计选出稳定、可解释的候选策略。在服饰、综合商品和图片三个业务数据集的离线评测中，自动调优策略相较默认策略，NDCG@20 提升 11.66%～13.50%，Precision@10 最高提升 21.17%。文档还给出了快速开始的 CLI 使用步骤和项目地址，强调自动化减少重复劳动而不取消人工判断。

💡 主要观点

- Agent 驱动的搜索自迭代把专家调优流程转化为可重复的闭环。 从查询与业务数据出发，依次执行效果评测、候选策略生成、批量搜索与标注、指标与 Bad Case 比较、输出候选配置，最终由人工确认后进入验证，保持可审阅与可控。

SPA 算法通过基因组编码、多保真评测和多视角 Elite 有效分配有限评测预算。 策略被编码为带领域语义的 Genome；初始种群覆盖有意义的搜索行为；快速/中间/确认三层评测先淘汰无效策略再提高置信度；多视角 Elite 同时保留全局最优、各查询类型最优、低延迟、低零结果等分支，防止种群过早塌缩；语义化进化与退火机制在探索与利用之间平衡。

SearchCLI 提供工程层保障，使算法能够稳定、可复用地落地。 Plan 预先估算实验成本；受控并发把长任务拆为小任务防止单点失败导致数据丢失；标签缓存让 LLM 判断成为可复用资产；Checkpoint/Resume 支持中断后续跑；apply 步骤保留 dry-run 和人工确认的安全边界，确保自动化仅减少重复劳动。

💬 文章金句

- 会调用搜索，只是 Agent 搜索能力的第一步。更难的是：当结果不好时，它能不能找到改进方向，并通过一轮轮实验把搜索变好？

• "自迭代"不是让 Agent 绕过控制、直接修改线上策略，而是把"发现问题---提出假设---分配评测预算---筛选候选---验证收益---输出候选配置"变成一套可以重复运行、结果可以审阅的闭环。

📊 文章信息

AI 初评：92

来源：字节跳动开源

作者：字节跳动开源

分类：人工智能

语言：中文

阅读时间：19 分钟

字数：4593

标签： AI Agent, 搜索优化, SPA 框架, SearchCLI, 大模型

阅读完整文章