智能体AI的问题不在模型，而在检索。
内容提要
BrowseComp-Plus测试显示，GPT-4.1直接获得支持文档时准确率为93.49%，但使用BM25检索时仅14.58%，表明模型智能无法弥补未检索到的证据。智能体搜索需多次并行检索，检索质量、尾延迟和查询量至关重要。应让智能体使用过滤器、排序策略等丰富接口，并通过Schema-to-Skill将模式转化为可用的检索技能。
延伸解读
检索质量决定智能体上限
BrowseComp-Plus测试显示，GPT-4.1在直接获得支持文档时准确率达93.49%，但使用BM25检索时骤降至14.58%。Qwen3-32B同样从83.25%跌至3.49%。这表明模型智能无法弥补未检索到的证据。在智能体工作流中，检索质量直接决定最终答案的准确性，因此优化检索应优先于升级模型。
智能体搜索的规模挑战
智能体任务可能触发数百甚至数千次检索操作，且常并行执行。若一个任务并行发起十次搜索，最慢的搜索决定该步骤的耗时，尾延迟因此比单次交互查询更关键。同时，用户请求量看似不高，但检索层可能承受巨大压力。容量规划需考虑查询量、并行度和尾延迟。
丰富检索接口与Schema-to-Skill
智能体不应仅发送短文本查询，而应能使用过滤器、排序策略、分组等丰富接口。Vespa通过查询语言和排名配置文件暴露这些控制。Schema-to-Skill将应用模式、引擎指南和领域知识转化为Markdown技能，帮助智能体理解字段含义和可用操作，从而选择正确的检索策略，避免退化为自由文本查询。
评估应基于生产查询
传统检索评估多使用人工编写的短问题，但智能体生成的查询可能包含过滤器、搜索词和后续查询，行为差异显著。因此，检索质量应基于智能体在生产中实际发送的查询来衡量，而非仅评估集问题。在调整模型或检索参数前，先检查生产查询，才能发现真实瓶颈。
Q&A
为什么说智能体AI的问题不在模型，而在检索？
因为模型智能无法弥补未检索到的证据。在BrowseComp-Plus测试中，GPT-4.1直接获得支持文档时准确率为93.49%，但使用BM25检索时准确率仅14.58%，说明检索质量决定了模型能发挥的上限。
BrowseComp-Plus测试中GPT-4.1的准确率差异有多大？
GPT-4.1在直接获得支持文档时准确率为93.49%，而使用BM25检索时准确率降至14.58%。Qwen3-32B同样从83.25%降至3.49%。
智能体搜索为什么需要关注尾延迟和查询量？
智能体搜索会并行发起多次检索，一个任务可能触发数百次搜索。如果并行搜索需要等待所有结果，最慢的搜索决定该步骤的耗时，尾延迟影响更大；同时查询量倍增，检索层负载远高于用户请求量。
智能体搜索与传统搜索在接口需求上有什么不同？
传统搜索通常只接受短文本查询并返回排序结果。智能体可以使用更丰富的接口，包括精确词项、过滤器、日期、分组、多种排序策略等，并能链式发起后续搜索。检索层需要接收词项、嵌入、结构化过滤器等多种输入。
什么是Schema-to-Skill？它如何帮助智能体检索？
Schema-to-Skill是将Vespa应用模式、引擎指南和应用特定知识结合，生成一段简短的Markdown技能描述，供智能体在构造查询时参考。它让智能体了解可用字段、过滤器和排序选项的含义，从而选择正确的检索策略。
在智能体工作流中，为什么检索质量比模型能力更关键？
因为智能体通常缺乏背景知识，需要从检索到的证据中构建理解。如果早期检索结果错误，后续搜索可能继续错误，导致任务偏离。多次检索步骤中，每步的小缺陷会累积，降低整体成功率。
