检索增强生成（RAG）已成为帮助大型语言模型（LLMs）利用和学习外部知识的主流范式。然而，传统的 RAG 方法通常将 LLMs 视为静态的黑箱，仅依赖提示词和上下文工程来整合检索到的信息。这忽略了两个重要的问题，即 LLM 推理过程中的动态信息需求和 LLM 在内、外部知识利用过程存在的机制鸿沟。为此，我们针对性地提出动态化和参数化的检索增强生成范式，通过主动分析 LLMs 在推理过程中不断变化的需求，实时将检索到的知识注入模型的内部表示和参数中，弥合外部知识检索与内在模型动态之间的差距，实现对 LLM 外部知识利用效率和性能的全面提升。具体而言，我将重点介绍如何从注意力网络和多层感知机权重两个角度实现动态化和参数化的检索增强，在不改变 LLM 原有参数的前提下实现无缝且实时的外部知识注入。实验表明，与传统 RAG 相比，基于动态化和参数化的检索增强技术可以在提升系统的准确性和适应性的同时显著减少计算开销。我们相信动态化和参数化的检索增强范式将为弥合外部知识检索与内在模型动态之间的差距，推进大语言模型信息系统的动态定制化和可持续学习提供重要指导。

演讲提纲

1. RAG 的技术演进与核心挑战

• 传统 RAG 的局限性
• 动态化与参数化的 RAG 价值

2. 基于检索与生成推理解耦技术的动态化 RAG 实例

• 基于交叉注意力机制的知识注入
• 跨任务对比实验
• 推理复杂度理论分析

3. 基于增量参数模块的参数化 RAG 实例

• LLM 内外部知识机制理论
• 外部知识的参数化模块构建
• 参数化 RAG 流程范式
• 性能与效率对比实验

4. 未来方向与行业启示

• 动态感知与参数化注入的复合架构
• 持续学习框架

您认为，这样的技术在实践过程中有哪些痛点？

• 技术理论仍待完善
• 需要软硬件结合的系统支持

演讲亮点

• 解密动态化与参数化 RAG 突破 Transformer 架构限制的核心机理
• 实证多文档场景下推理延迟与准确率不可兼得的破解之道

听众收益

• 掌握下一代 RAG 技术的动态化与参数化实施方法论

大模型的出现，一方面带来了全新的 AI 搜索范式，在 RAG、Deep Research、Agentic AI 等技术的加持下，涌现出一系列 AI Native 的搜索产品，正在深远的改变搜索引擎的形态和用户的使用习惯。另一方面，大模型强大的开放域语义理解和推理能力，也展现出革新传统搜索机器学习系统的潜力。

本次分享我将从这两方面展开，一方面分享小红书在 AI 搜索全新范式上的探索和思考，以及在小红书 AI 搜索产品问一问上的技术实践，另一方面将分享大模型在工业级搜索机器学习系统上的应用，特别是大模型在 QP、召回、相关性、排序等关键模块的实践经验。 

演讲提纲

1. 小红书和小红书搜索业务背景

2. AI 搜索实践

• 传统搜索引擎的局限性
• AI 搜索与用户行为路径
• 小红书 AI 搜索技术选型
• RAG
• AI Workflows
• Deep Search
• 未来展望

3. 搜索中 AI 的应用

• Why 大模型
• 大模型与搜索相关性
• 大模型与内容理解
• 大模型与排序

4. 总结展望

您认为，这样的技术在实践过程中有哪些痛点？

• AI 技术选型，回答效果，算力开销，与响应时间的不可能三角
• Agentic or fixed workflow，从用户体验出发的技术选型哲学

演讲亮点

• 小红书 AI 搜索系统的架构选型以及其中的踩坑经验
• 大模型在小红书搜索各个环节的应用实践

听众收益

• 了解小红书 AI 搜索系统架构的设计哲学，踩坑经验和业务实践
• 了解大模型在传统搜索机器学习系统中的应用

在 AI 驱动电商变革的时代，个性化搜索已经实现了“千人千面”的搜索结果展示，但电商平台的商品展示仍停留在统一素材阶段。本次演讲我将分享京东零售如何通过 AIGC 技术，实现从“千人千面”的搜索到“千人千面”的商品素材的革命性跨越。我将深入探讨如何基于用户圈层理解和意图分析，为不同用户生成个性化的商品主图、详情图和参数规格。例如，同一件冲锋衣，关注功能性的用户会看到科技面料和防水性能的突出展示，而注重时尚的用户则会看到搭配建议和美观度展示。演讲将涵盖京东 AIGC 的技术架构、实践中的挑战与解决方案，以及如何将 AIGC 能力赋能商家，助力其以更低成本实现运营优化和价值突破。这将为电商行业带来从“人找货”到“货懂人”的范式转移。

演讲提纲

1. 引言：智能电商搜索 2.0 时代，从通用匹配到个性化应答

• 电商搜索技术的演进历程
• 当前电商搜索的核心瓶颈
• 搜索+生成的结合点

2. 京东零售实践：搜索意图理解 + AIGC 生成个性化素材

• 深度解析用户搜索意图
• 响应搜索的动态素材生成技术
• AIGC 系统架构如何赋能搜索

3. 挑战与解决方案：构建新一代搜索生成系统

• 技术挑战：
  • 多模态融合的复杂性
  • 生成内容的质量与真实性
  • 系统性能与成本
• 解决方案：
  • 混合检索策略增强意图理解
  • 强化模型训练与事实性核查
  • 优化性能与控制成本

4. 赋能商家：降低运营成本，提升核心价值

• 工具化平台降低门槛
• 案例分享搜索转化提升

5. 未来展望

• “千人千面”商品素材与AI搜索、推荐、虚拟试穿等技术的更深层次结合
• 对未来电商形态的构想：更加智能、个性化、沉浸式的购物体验

您认为，这样的技术在实践过程中有哪些痛点？

• 多模态意图理解的精准度​​
• AIGC 生成内容的真实性与可靠性
• 系统性能与规模化应用的平衡​​
• 个性化与一致性的权衡​​
• 技术赋能商家的易用性

演讲亮点

• 首次系统性地提出“千人千面”商品素材的概念，阐述其作为电商 2.0 时代核心特征的重要性。分享京东零售在这一前沿领域的真实技术路径、实践案例以及背后的挑战与解决方案
• 详解如何将多模态用户意图理解与 AIGC 内容生成技术结合，构建端到端的个性化商品展示解决方案，技术集成度高。基于当前实践，对未来电商体验的发展方向做出有根据的预测和展望

听众收益

• 了解产业趋势：深入了解电商及AI领域的最新发展趋势，“千人千面”的商品内容生成，把握下一代电商体验的核心脉搏
• 获取技术洞察：获得大型电商平台在 AIGC、多模态理解、向量搜索等前沿技术落地应用方面的踩坑经验、架构思路和解决方案

检索增强生成（RAG）是提升大语言模型（LLM）生成内容准确性与可信性的关键技术，但传统 RAG 存在局限：多依赖 LLM 的上下文学习能力（In-Context Learning）直接拼接信息检索与 LLM 模块，未对系统进行全流程优化，导致效果难达最优，成为技术落地的核心瓶颈。为破解此难题，我们聚焦 RAG 系统的信息检索模块与 LLM 生成模块两大核心部件，从双视角切入实现技术突破，构建具备自增强能力的检索增强大模型，突破传统技术的参数知识边界。在信息检索模块优化上，传统系统设计初衷是服务人类用户，可依托用户点击、停留等反馈信号迭代进化；但在 RAG 场景中，LLM 成为信息传递中间层，隔绝用户反馈与检索模块，使其失去进化依据。针对此痛点，我们提出 “用户调试模式” 与 “影子用户模式”，打通反馈信号传递链路，让检索模块基于应用反馈持续优化，提升结果与 LLM 生成目标的匹配度。在 LLM 生成模块优化上，传统 LLM 未针对 “外部知识利用” 专项训练，常规提升思路需大量长上下文标注数据，成本高、周期长。我们设计无监督学习任务，让 LLM 通过无监督信号自主学习外部知识利用方法；同时理论分析发现 LLM 内部存在天然知识选择机制，可利用该特性指导其精准筛选、运用外部知识，提升信息整合转化效率，实现生成质量与知识准确性双重提升。

演讲提纲

1. RAG 的技术背景与核心挑战

• 大语言模型的知识边界
• 多视角看 RAG 的价值与挑战

2. 在信息检索视角下构建用户反馈优化的 RAG 实例

• 传统检索模块的用户反馈环路
• 基于 RAG 的信息检索模块优化
• 基于 RAG 的用户反馈环路的设计
• 价值与挑战

3. 在大模型视角下高效利用外部知识的 RAG 实例

• 传统 LLM 利用外部知识的挑战
• 无监督 RAG 学习任务设计
• 性能与效率对比实验
• LLM 内部天然知识选择机制
• 性能与效率对比实验

4. 未来方向与行业启示

• 基于多智能体的信息检索与大模型深度融合
• 外部记忆压缩的 RAG

您认为，这样的技术在实践过程中有哪些痛点？

• 优化信号的规模化与用户反馈的代价的权衡
• RAG 无监督方式的规模化效应的验证

演讲亮点

• 提出用户反馈环路的构建是系统持续优化的重点
• 首次从理论上分析 RAG 的内部知识选择机制

听众收益

• 掌握下一代 RAG 技术的优化策略

本次分享将深入解读小红书 AI 搜索系统的架构设计与工程实践，揭秘如何在亿级用户规模化场景下，平衡效果、系统性能、服务成本与稳定性之间的核心矛盾。我们将重点解析自研的 ArkAI Agent 框架与混合检索系统的技术实现，并分享如何通过记忆系统、全网搜索等创新方案应对“幻觉”难题；也将结合典型场景，探讨高并发服务中稳定性治理与响应优化的实战经验与解决路径。

演讲提纲

1. AI 搜背景介绍

2. 小红书 AI 搜索架构

• ArkAI 框架
• 混合检索引擎
• 在近线系统
• 评估及调试平台

3. AI 搜架构深水区实践经验

• 记忆系统和全网搜
• 性能和稳定性

4. 总结和展望

您认为，这样的技术在实践过程中有哪些痛点？

工程实践中不存在完美架构，需要持续演进中不断权衡，前期主要关注迭代效率和性能，随规模变大要重点关注到成本和稳定性。

演讲亮点

• AI 搜工程架构实际落地的的系统性解决方案
• 降低 AI 搜“事实性错误”、“幻觉” 的工程实践经验

听众收益

• 收获经过大规模实践验证的 AI 搜索架构方案，直面延迟、成本与幻觉等工程挑战
• 洞察技术融合的未来趋势，思考如何设计能随业务智能演进的下一代搜索系统

大语言模型（LLM）的问世对搜索场景的冲击是史无前例的，作为以搜索起家的百度，更是在 4 年前便开始布局 AI 搜索。本次演讲将阐述百度新一代产品——AI 助手如何从 AI 搜索迈向下一代通用人工智能（AGI）的演进之路。我们将首先回顾传统搜索的局限，LLM 带来的革命性机遇与挑战。进而解析百度独特的“由奢入俭”大一统框架演进范式，分享在模型能力与系统分工上的工程实践。进一步地展示如今的AI助手已超越搜索本身，初具 AGI 雏形：它通过多模态交互变得声情并茂，借助个性化理解成为专属助手，并通过智能体协同（Agent）实现能力外延。最后，我们将展望百度在 AGI 领域的未来探索与发展方向。

演讲提纲

1. 引言

• 百度搜索难以启齿之痛
• LLM 赋予搜索的新机遇与挑战

2. 框架演进

• 由奢入俭易——百 度AI 助手大一统迭代范式
• 由奢入俭难——模型能力与模块分工的重思考

3. 不仅仅是搜索，更是通用 AGI 的雏形

• 声情并茂：富媒体 & 多模态
• 专属于你：个性化 & 人格化
• 能力外延：Agent 2 Agent

4. 未来展望与发展方向

您认为，这样的技术在实践过程中有哪些痛点？

• 效果、效率、成本的 trade-off
• 指引系统优化&迭代的北极星指标

演讲亮点

• 首次较为系统性地对外阐述百度 AI 搜索的技术选型与迭代思考
• 分享从AI搜索与下一代通用人工智能（AGI）相似与共通之处、以及我司的真实技术路径和实践案例

听众收益

• 前车之鉴：百度 AI 搜索技术选型与迭代思考
• 后车之师：AI 搜索护城河到底为何

AI 创作是大模型时代新长出来的应用方向，如今已成为各大模型产品标配的功能。本次分享围绕夸克两个创作产品—— AI 写作和 AI PPT 分享相关实践之路。我会首先介绍 AI 写作的产品背景和用户需求以及背后的技术挑战，进而分享我们在写作 Reward System 构建以及 RL 算法的技术和工程实践，然后介绍 AI PPT 从模板 PPT 到 Code PPT 的技术演进。最后进行总结和未来展望。

演讲提纲

1. 引言

• AI 写作背景介绍
• AI PPT 背景介绍

2. AI 写作

• 关键难点
  • 评价难——文无第一，永无止境
  • 任务难——百篇检索，万字长文
  • 体裁广——千种体裁，要求各异
• 技术方案
  • 多维度 Reward System 迭代式筛选数据
  • 基于模型自举和相对策略优化RL算法
  • 多阶段 Plan-cot 和知识增强

3. AI PPT

• 模板 PPT：大模型生成文字匹配模板库
• CodePPT ：大模型 Coding 生成 PPT

4. 总结和展望

您认为，这样的技术在实践过程中有哪些痛点？

• 创作的评价标准难以客观、量化
• 常规技术路线 vs 下一代技术的抉择

演讲亮点

• 多维度 Reward System 和自研的基于模型自举和相对策略优化 RL 算法
• 基于 Html Coding 的 PPT 生成技术

听众收益

• 大模型时代用户在办公、创作方面的应用发展趋势
• 夸克 AI 创作的实际技术方案选择、踩坑和演进之路