搜索满足度评估与问答式搜索探索

搜索和推荐不一样。推荐是在不确定兴趣里分发内容，搜索是用户带着明确需求来找东西，很多时候甚至是在要一个答案。当时还没有今天的大模型搜索叙事，当时也有语义模型探索，但在搜索场景里的收益并没有想象中那么高。后来我更清楚地意识到，很多搜索 bad case 不是因为模型名字不够先进，而是更基础的事情没被定义清楚：这个 Query 到底要什么，平台有没有足够好的供给，第一条结果有没有命中，直接答案是否可信。

1. 1搜索质量不能只看点击率。用户可能点了很多次，但每次都不满意；也可能没有继续点击，是因为第一条已经解决了问题。
2. 2视频搜索的结果形态很复杂。一个视频要同时满足相关、可消费、质量稳定、时效合适，不同 Query 的满足方式也不一样。
3. 3当时大家会自然期待语义模型带来明显收益，但语义模型探索在搜索场景里的增益没有想象中大。很多问题最后还是回到 Query 分型、供给质量、评估标准和 Top1 命中。
4. 4问答式结果看起来更接近今天的 AI 搜索，但它当时真正的难点不是形态新，而是答案能不能准确、可信、可验证，并且只覆盖适合直接回答的需求。

1. 1我当时的判断是，搜索项目要先定义“什么叫满足”，再反推内容引入、排序调优和答案形态，而不是直接从算法指标出发。
2. 2视频搜索要同时解决供给和排序。没有好内容，排序再好也解决不了满足度；有好内容但评估标准不清，也很难稳定优化。
3. 3Top1 是搜索里特别关键的位置。推荐可以靠多次分发逐步纠偏，但搜索用户往往希望第一条就接近答案。
4. 4问答式结果不是搜索的附属模块，而是搜索满足度的一种升级形态：适合直接回答的需求，应该追求 Top1 精准命中和可信表达。

1. 1制定视频搜索内容引入策略与评估标准，明确什么内容适合被搜索承接、什么结果算满足用户需求。
2. 2围绕 Query 意图、内容供给、结果质量和 Top1 命中，联动算法完成综合搜索模型调优。
3. 3拆解搜索 bad case，将意图识别、供给不足、排序不足、形态不匹配和答案不可信分别转成优化动作。
4. 4推动问答式搜索场景落地，将适合直接回答的搜索需求纳入 Top1 精准命中和答案可信评估。
5. 5通过横向对照、人工评估和线上效果反馈，持续校准搜索满足度口径。

1. 1推动多端视频搜索体验达到行业领先水平。
2. 2问答式结果 Top1 精准命中覆盖用户 10%+ 搜索需求。
3. 3综合搜索结果准确性从落后状态提升到目标水平，提升用户满意度。
4. 4沉淀搜索满足度评估框架、视频搜索内容引入策略、搜索 bad case 归因方式和问答式结果命中判断口径。

1. 1这个项目最好不要包装成“我很早就在做 AI 问答”。更真实也更有说服力的说法是：我很早就在做搜索满足度和直接答案的评估问题。
2. 2语义模型收益有限这件事反而很重要，它让我看到：模型能力不是搜索体验的全部，供给、评估、排序和结果形态同样决定用户是否被满足。
3. 3视频搜索体验达到行业领先水平，能说明视频搜索体验有竞争力；问答式结果覆盖 10%+ 搜索需求，能说明一部分需求确实更适合直接答案。但这不代表所有 Query 都应该被问答化。
4. 4今天回看，这类经验可以迁移到 AI 搜索、RAG 问答、搜索结果 LLM 评估和答案可信度治理中。但它的根不是“用了 AI”，而是先定义了什么叫满足。