随着人工智能和深度学习的迅猛发展，大模型（Large Language Model）在自然语言处理、计算机视觉等领域取得了突破性的成果。这些进步促使搜索技术迎来了新的变革。传统搜索主要依赖于关键词匹配和预定义的规则，强调精确的相关性匹配。然而，AI 大模型的引入，使得搜索技术从关键词检索转向了语义理解，从单一模态走向了多模态融合，从确定性检索演变为基于相似度的智能检索。

本次演讲将聚焦于 AI 搜索大模型的关键技术应用，涵盖文本向量化、降维、重排序、NL2Search（自然语言到搜索）、文档解析与切片、问答大模型评测与微调、 Agentic RAG（检索增强生成）及客户专属大模型的最新进展。我们将结合实际业务场景和案例（如智能问答系统、文档搜索、人工智能助手等），深入阐述这些技术如何提升搜索的质量和效率，以及在实践中如何克服各种技术挑战。

演讲提纲

• AI 大模型在搜索领域的背景与趋势
• 文本向量化与降维
• 搜索结果的重排序模型
• NL2Search：从自然语言到搜索
• 基于大模型的语义切片
• 大模型问答质量评测与微调
• Agentic RAG 实践
• 客户专属大模型训练探索

您认为，这样的技术在实践过程中有哪些痛点？

• 文本向量化与降维：向量化可能导致高维数据难以处理，而降维可能导致信息丢失，影响搜索效果
• 重排序算法：需要高效的算法以确保实时性，尤其是在大规模数据集上，但计算复杂度可能成为瓶颈
• NL2Search（自然语言到搜索）：构建高质量的自然语言处理模型需要大量标注数据，且模型的准确性对于搜索体验非常关键
• 基于大模型的语义切片：切片语义完整度直接影响搜索结果的相关性
• 大模型问答质量评测与微调：大模型问答缺乏全面且高精度的质量评测体系，大模型在 AI 搜索场景中仍存在幻觉、回答不完整、回答冗余等问题
• Agentic RAG 实践：单轮 RAG 难以解答复杂问题（如多跳问题、聚合问题等）
• 客户专属大模型训练：由于大模型缺乏客户专有域知识，对客户场景特有问题的理解不足，回答不专业

演讲亮点

• 实际业务场景结合：通过智能问答系统和文档搜索案例，展示AI搜索技术如何在现实中应用，增强观众理解
• 前沿技术进展：介绍Agentic RAG的最新进展，帮助听众了解技术的未来发展趋势
• 技术问题与解决方案：不仅指出各项技术的实际痛点，还提供了相应的解决策略，使内容更加实用
• 综合性讨论：涵盖从文本向量化到问答大模型的多个技术层面，提供全方位的知识视角

听众收益

• 深入了解 AI 搜索大模型的核心技术和应用场景，掌握最新的行业动态和技术趋势
• 学习如何将大模型技术应用于实际业务中，解决传统搜索难以应对的问题，提升系统的智能化水平
• 开拓新的思路和方法，了解如何结合传统技术和大数据处理，实现高效的搜索解决方案
• 了解当前领域的技术挑战，为未来在 AI 搜索领域的研究和实践提供指引