快手的技术实力不容小觑。
近日，快手发布了行业首个实现工业级部署的电商搜索端到端生成式框架——OneSearch。这一技术突破标志着电商搜索正式迈入大模型驱动的新阶段。
令人意外的是，引领这一变革的并非阿里、京东或拼多多等传统电商巨头，而是以短视频起家的快手。此前，快手已推出基于大模型的推荐系统，如今又将AI能力延伸至搜索领域，展现出其在技术路径上的前瞻布局与激进探索。
更关键的是，OneSearch并非实验室原型，而是已在生产环境中大规模部署，真正服务于亿级用户流量。这意味着，延续十余年的传统电商搜索架构，终于迎来颠覆性重构。
搜索技术的演进
回顾电商搜索发展史，其技术迭代大致经历了三个阶段：关键词匹配、机器学习排序与深度学习语义理解。
早期电商搜索本质是“翻字典”式匹配——用户输入关键词，系统从商品标题中查找对应词汇并返回结果。这种模式完全忽视用户意图和场景差异，导致结果相关性差、转化率低。
2010年前后，机器学习开始应用于搜索排序。系统通过CTR、CVR模型预估点击与转化概率，并结合LTR（Learning to Rank）进行排序优化。此时搜索具备初步个性化能力，例如根据用户历史行为偏好推荐高性价比或潮流款式。
然而，该阶段依赖大量人工特征工程，如价格、销量、品牌等需手动提取并输入模型，如同在调音台上逐一调节旋钮。同时，系统采用多阶段流水线架构（召回→粗排→精排），各环节独立运行，信息割裂，难以协同优化。
随着移动互联网兴起，用户行为数据爆发式增长，传统方法逐渐乏力。GPU算力提升与深度学习框架成熟推动搜索进入第三代——深度学习时代。DNN模型可自动学习用户意图与商品语义，通过向量表示实现语义层面的匹配，支持多模态输入（文本、图像、语音）与千人千面推荐。
尽管如此，其底层仍沿用多阶段流水线结构，存在算力浪费、冷启动难、长尾覆盖不足等问题。各类优化本质上仍是“打补丁”，未能改变架构局限。
近年来，大模型技术为搜索带来新思路：能否让一个统一模型直接理解用户需求与商品内容，端到端生成最终结果？这正是OneSearch的核心理念。
快手 OneSearch 的设计
OneSearch摒弃传统多阶段流水线，采用端到端大模型架构，将用户理解、商品建模、结果生成一体化完成，实现从“接力跑”到“一气呵成”的转变。
其技术创新主要体现在三个方面：
1. 商品语义深层建模：层次量化编码（KHQE）
传统搜索依赖商品标题中的关键词，但商家常堆砌热词以提升曝光，造成语义混乱。例如一条裙子可能包含“通勤、约会、显瘦、法式、初恋风”等多个标签，模型难以识别真实属性。
OneSearch提出KHQE（Knowledge-aware Hierarchical Quantization Encoding）方法，为每件商品构建五层语义档案：
- 前三层按语义层级归类（如服饰→女装→连衣裙）；
- 后两层刻画细节差异（如颜色、材质、版型）。
最终生成紧凑语义向量，使模型能精准区分同类商品的细微差别，有效降低标题堆词带来的噪声干扰，提升推荐准确性。
2. 用户画像全程融合：短期行为+长期偏好联合建模
传统系统通常在精排阶段才引入个性化特征，且多为离散统计指标（如近7天点击类目）。而OneSearch从推理起点即融入用户行为序列。
系统捕捉用户近期搜索、浏览、加购等动态行为，并赋予更高权重，实时感知兴趣变化。同时，为避免被短期热点误导（如节假日集中查看行李箱），还引入长期稳定偏好建模。
不同于直接输入冗长历史记录，OneSearch先将长期行为压缩为若干紧凑向量，再与短期行为共同输入模型，兼顾语义完整性与推理效率。
由此形成的用户画像不再是零散标签集合，而是具有语义连贯性的动态表达，显著增强搜索结果的相关性与个性化程度。
3. 排序机制革新：偏好感知奖励系统（PARS）
传统排序中，相关性与个性化往往分离处理——先保证语义匹配，再通过特征调整偏好。OneSearch则通过PARS（Preference-Aware Reward System）实现二者深度融合。
模型训练分为两个阶段：
- 监督微调：依次学习query-商品语义匹配、共现规律及个性化偏好；
- 强化学习：利用真实用户行为（点击、加购、下单、停留时长）作为分层奖励信号，持续优化排序策略。
该机制使模型在生成结果时同步考虑“是否相关”与“是否喜欢”，实现真正意义上的偏好驱动排序。
新搜索框架的效果
OneSearch不仅提升了智能化水平，也在系统效率上实现重大突破。
传统多阶段架构需重复计算特征与embedding，大量算力消耗于中间传递过程，模型推理资源利用率极低。OneSearch通过端到端整合，消除冗余环节，仅保留单一主干模型完成全部推理任务。
据快手团队披露数据：
- 模型算力利用率（MFU）从3.26%提升至27.32%；
- 推理成本（OPEX）降至原有四分之一；
- 线上A/B测试显示，单品CTR提升1.67%，页面CTR提升3.14%，CVR提升1.78%，买家数增长2.4%，订单量上涨3.2%。
尤其在中长尾查询与冷启动商品推荐场景下，性能提升更为显著。即使缺乏历史交互数据的新品，也能被准确匹配至潜在目标用户。
这一成果并非依赖参数规模扩张或硬件堆砌，而是源于对搜索范式的根本重构——用端到端生成替代多阶段流水线。
写在最后
快手OneSearch的落地，标志着电商搜索进入全新发展阶段。
长期以来，行业普遍在既有架构上做局部优化。而OneSearch首次验证了大模型驱动的生成式搜索在工业级场景的可行性，为下一代搜索系统提供了清晰蓝图。
这不是一次简单的技术升级，而是一次架构级跃迁。它预示着，未来的搜索将不再局限于“找到相关商品”，而是“理解需求并生成最优解”。
