DoorDash、Instacart和Uber Eats以不同方式将LLM整合进搜索系统。DoorDash离线用LLM丰富知识图谱，运行时保持传统检索；Instacart用LLM处理查询理解，结合RAG和微调模型；Uber Eats将微调Qwen作为嵌入骨干，统一多垂直领域检索。三者差异源于现有基础设施，核心问题是LLM应深入运行时多深。

向量搜索并不等于找到正确答案。现代搜索系统结合双编码器和交叉编码器，前者用于快速召回候选文档，后者用于精确排序。有效的搜索系统需兼顾速度与准确性，以提升搜索质量。

Instacart的搜索系统经历了多次演变，最初使用Elasticsearch，但因数据频繁变动导致性能问题，最终转向Postgres并整合语义搜索。通过pgvector，Instacart实现了更高效的搜索，减少了写入负担，提高了搜索速度和结果相关性，显著提升了用户体验和收入。

Samtec通过采用Meilisearch现代化其搜索系统，提升了产品发现体验。新系统支持快速、精准的搜索，满足工程师按技术规格查找产品的需求。迁移过程顺利，用户反馈积极，Samtec计划进一步优化搜索功能。

查询自动补全（QAC）是现代搜索系统的重要功能，但现有方法存在挑战。我们提出了一种统一框架，将QAC重构为端到端列表生成，结合检索增强生成（RAG）和多目标直接偏好优化（DPO），通过创新的多目标优化和混合服务架构，显著提升了搜索效率，并验证了其在生产中的有效性。

本文介绍了如何设计和优化自动补全搜索，以提升应用的速度、相关性和用户体验。自动补全搜索在用户输入时提供建议，帮助用户快速找到所需信息。文章详细阐述了使用FastAPI和Meilisearch构建搜索系统的步骤，包括设置搜索索引、可搜索属性和排名规则，并通过优化性能和处理用户输入中的错误，确保搜索结果快速且准确。

Ibotta通过D2C平台提供现金返还服务，利用Databricks开发现代化搜索系统，提升语义相关性和用户意图理解。经过多次迭代和测试，建立评估框架，显著提高搜索结果质量和用户参与度。

构建体育新闻搜索系统时，处理文本与图像的相关性问题。提出了两阶段检索流程：首先使用jina-clip-v2获取候选文档，然后用jina-reranker-m0进行统一排序，从而提升检索效果，最终实现62%的召回率提升。

本文探讨了构建大规模推荐和搜索系统的重要性，以Netflix为例，介绍了候选集选择和两次排名如何优化用户体验。强调实时信号在捕捉短期意图中的作用，以及个性化与相关性的平衡。最后，提出统一搜索和推荐模型的优势，旨在减少技术债务，提高效率。

查询扩展是一种提升搜索系统性能的技术，尽管在语义嵌入出现后被忽视。结合自动查询扩展、jina-embeddings-v3和LLMs，可以显著改善搜索结果。查询扩展通过添加相关词汇提高匹配度，但选择合适的扩展词较为困难。使用LLM进行查询扩展能够利用其丰富的词汇知识和灵活性，实验表明，适当的扩展能有效提升检索性能。

在电子商务中，搜索系统对客户吸引和留存至关重要。传统搜索常常结果不够相关，影响转化率。结合大型语言模型（LLM）与传统搜索，可以生成更智能的搜索建议，提升用户体验。系统使用Streamlit和OpenSearch，当传统搜索结果少于五个时，LLM会提供额外建议，从而提高用户满意度。

文章介绍了如何在PostgreSQL数据库中实现混合搜索，结合全文搜索与语义搜索的优点，以提高搜索结果的相关性，适用于电商、法律研究和科学文献等领域。通过使用Cohere、pgvector和pgai等工具，可以构建高效的搜索系统。

微软的Bing搜索组提出了一种使用大型语言模型（LLM）生成相关性标签的方法，通过真实用户反馈和选择合适的LLM提示词，可以准确生成标签，降低成本、提高速度，并改进搜索系统性能。

本文讨论了工业推荐和搜索系统的设计，强调了离线和在线环境以及候选检索和排序步骤的重要性。文章介绍了一些公司的系统设计，并提到了一些实用的技巧和注意事项。