Agentic Search 2.0：从单轮对话到企业级 AI 搜索自动驾驶 Agent- 大数跨境

Agentic Search 2.0：从单轮对话到企业级 AI 搜索自动驾驶 Agent

阿里云大数据AI平台

2026-09-01

导读：Agentic Search 2.0 是面向长时间、跨数据源、跨工具的复杂任务，强调结果可追踪、可复核、可交付的通用搜索 Agent。它要解决的不只是让 Agent 更会聊天，而是让搜索、推理、任务执

导读企业复杂任务真正耗时的，往往不只是”提问”或者”问答”，而是把目标、上下文、异构数据、执行工具、证据链和交付标准串成一条可持续运行的生产应用链路。Agentic Search 2.0 是面向长时间、跨数据源、跨工具的复杂任务，强调结果可追踪、可复核、可交付的通用搜索 Agent。它要解决的不只是让 Agent 更会聊天，而是让搜索、推理、任务执行、权限治理与记忆总结沉淀形成生产级闭环能力。

主要内容包括以下几个部分：

1. 不只是更会聊天，而是接管完整业务流程

2. 双链架构：搜索智能与 Agent 执行形成闭环

3. 生产级实施：编排、检索、沙箱与安全不能分开建设

4. 从一次任务到持续进化：Memory、Skill 与案例验证

不只是更会聊天，而是接管完整业务流程

对话式问答与普通 RAG 已能完成基本检索，但在企业深度业务流程中，认知负荷仍然落在业务人员身上：人需要先拆解问题，在文档、Elasticsearch、向量数据库、Wiki、网页数据和数据库之间反复切换，再用手工方式比对冲突信息、补齐来源，最后整理成报告、表格或处置建议。任务越长、数据越多，这条链路越容易在中间状态、失败恢复和结果一致性上失控。因此我们做了很多尝试。

以 OpenClaw 来举例，现有企业 Agent 往往很难独立承担复杂流程，主要卡在六个方面。

其一，复杂任务缺乏可靠编排，子任务依赖、循环调用、中间状态和失败恢复难以统一管理；

其二，PDF、图片、表格、视频和数据库等非结构化、结构化数据难以统一解析；

其三，长期记忆无法持续沉淀，多来源记忆容易冲突，引用也难以回到原文；

其四，多租户权限、工具权限、Prompt 注入防护和执行审计不完整；

其五，外部 API、数据库、RPA、邮件与即时通信系统的集成缺乏统一抽象，容易中断且难以自愈；

其六，Agent 能回答一般问题，却缺乏对具体业务口径、规则和多目标约束的理解。

这六个典型问题让 Agent 在企业落地的过程中举步维艰。

如果借用自动驾驶来类比：过去单轮对话式的搜索 Agent，更像 L2 级辅助驾驶——每次由人发出指令，系统执行一步后便等待下一步输入；而 Agentic Search 2.0 追求的是 L4 级自动驾驶——人只需设定目标和约束，Agent 自行完成感知、规划、执行和交付的全流程，途中遇到问题也能自主恢复。

Agentic Search 2.0 搜索 Agent 将目标从”找资料”转向”完成真实任务”：先识别目标、约束、口径和隐含优先级，再并发检索多源知识与实时信息，通过 DAG 调度 SubAgent、Skill、MCP 和 Sandbox，最终输出带证据、可复查的交付物。整个过程不再以单轮回复为终点，而是覆盖理解、拆解、执行、验证、汇总和交付。

双链架构：搜索智能与 Agent 执行形成闭环

整体架构由”搜索智能”和”Agent 执行”两条主链组成，并由统一 Orchestration 串联知识、检索、工具、记忆、安全和交付。搜索侧负责多模态文档解析与结构化切片、存量 ES 向量库只读复用、Memory、PageIndex、Wiki、ES 四层检索、公域联网搜索与企业私域融合，以及 RRF 加权、重排、冲突消解和来源标注。执行侧由 Harness 主 Agent 与垂直 SubAgent 组成，负责 DAG 并发、状态管理、结果聚合、MCP、Skill、Sandbox 安全执行、思考图谱、执行计划、全链路 Trace，以及企业权限注入、多租户隔离和审计治理。

Harness Agent 可分为四层：作为”大脑”的 Orchestration 支持 Plan、ReAct、DAG 等策略；作为”四肢”的 SubAgent Matrix 提供 Code、Browser、Summary、Report 等能力模块；作为”感官”的 Tools & Parse 集成联网搜索、内容解析、数据处理和 MCP 扩展；底座则通过 Sandbox、Trace、Agentic Memory 与多租户安全机制保证长任务稳定运行。搜索不再只是 Agent 生命周期中的一个环节，而是与执行、记忆共同组成”信息检索—任务执行—持续进化”的循环。

这套闭环包含四个连续阶段：理解目标，形成可执行任务定义；融合检索，将 ES、Memory、PageIndex、LLM Wiki 与联网搜索结果统一召回并消解冲突；动态编排执行，由 DAG、多 Agent、Skill、MCP 和 Sandbox 协同完成长任务；沉淀自我进化，把偏好、事实、成功路径和方法抽取为智能 Memory 与可复用 Auto Skill。

生产级实施：编排、检索、沙箱与安全不能分开建设

复杂任务首先需要动态 DAG，而不是完全依赖大模型临场规划。部分步骤适合由模型理解和生成，部分步骤必须交给确定性自动化流程。系统需要判断何时调用模型、何时执行固定工具，并屏蔽无效工具和不必要的模型调用。DAG 按依赖关系组织子任务，支持多分支并行；父任务取消时，子任务与工具调用可快速停止并释放资源，避免任务已结束但算力仍被占用的情况。

在云上，多用户同时发起长任务时，挑战并不是单次查询延迟，而是数百个任务实例的资源调度、执行时长和业务连续性。实践中需要把并发访问、资源管控、弹性扩缩容、状态记录和可观测性放在同一层处理，每一步都保留 History、Memory 与 Trace。SubAgent Matrix 可按需组合多信源联网搜索、企业融合知识库、智能抓取、Skill 和工具管理；复杂任务可并行执行 30—50 个 SubAgent 子任务。

搜索侧的难点从”召回一段文字”转向对超大、多模态文档的结构化理解。处理链路包括扫描件、手写体和复杂表格识别，OCR 精准提取，语义理解、表格结构化和内容重组，再输出 TXT、Markdown、JSON 或表格数据。在《三国演义》级别的巨型 PDF 解析示例中，PyMuPDF 解析耗时控制在 4.8 秒以内；针对极端扫描版和乱码文件，系统采用自动缩放、纠错、孤切（孤立区域裁切）、表切（表格区域识别与提取）和弹窗切（弹窗内容分离提取）等预处理。

大文档不能只做简单切片。文档越长，向量空间中的信息碎片化越严重，模糊问题越难命中。PageIndex 通过目录式、层级化索引保留文档整体结构，能够定位章节、段落和页面，并生成层级路径与摘要。它会增加索引构建时间，但在超长文档检索中，可以避免信息被切碎后失去上下文。

融合检索同时接入知识库、用户文件、数据库和 Web。向量召回与关键词召回进入 Hybrid Recall，经过 Rerank、权限过滤、Citation Validation 后，再生成 Summary、Insights、Citations 和 Next Steps。四层知识检索体系由粗到精：第一层 Memory 记录查询历史和用户偏好；第二层使用 KNN 与 BM25 召回候选；第三层以 PageIndex 做层级定位；第四层通过 ES 或 SQL 对结构化数据进行查询、条件过滤、聚合分析和可视化输出。系统可接入 50+ 类数据源，在内部评测集上的多元搜索召回准确率达到 90% 以上。

对于已有 Elasticsearch 数据，方案采用只读方式复用现有索引和向量库，在其上叠加多模态解析、索引层和编排能力，不要求客户搬迁主数据或重建全部索引。这样既能把日志、搜索、代码等 ES 数据与文档、图片、视频和知识库统一检索，也减少迁移周期、成本和数据风险。

代码执行与资产流转必须置于 Sandbox 内。独立 Python 安全沙箱负责自动拉取依赖、资源隔离、按需分配和受控访问；执行结果生成临时文件后，通过加密链路上传 OSS，再由签名访问完成前端渲染与打包导出。长任务运行过程中产生的缓存和暂存数据需要智能清理，避免本地磁盘被持续占满。权限校验、最小权限访问和操作日志审计贯穿代码执行、结果产出、安全上传和导出访问全过程。

安全底座还覆盖 RASP 反注入防御、Query 与 Chunk 召回双重拦截、用户数据物理与逻辑隔离、主进程沙箱和内存溢出防护，以及系统级安全审计。企业 Agent 的安全不是在结果输出后补一层审核，而是从检索、工具调用、代码执行到资产交付的全链路约束。

从一次任务到持续进化：Memory、Skill 与案例验证

Agentic Memory 负责把一次性执行转化为可复用能力。系统从长期记忆、本地记忆、知识库、用户偏好和外部知识源并行召回 Top K 结果，完成合并去重、语义与权重重排，再把 System Prompt、历史对话、检索记忆片段和用户输入融合为增强上下文，输出高相关、无冗余、可追溯的记忆片段。任务结束后，关键事实和有效路径通过异步写回持续更新。

记忆并非单一存储，而是由会话内短期记忆、跨 Session 长期记忆、设备本地记忆、知识库和用户画像共同组成。多来源记忆发生冲突时，需要通过合并与重排消解；成功的任务路径还可以从历史对话、用户行为、文档知识和 API 调用中自动抽取为 Skill，经过输入输出定义、参数校验、版本管理、权限控制、调度执行和效果评估，形成可重复使用的任务能力。

在结果完整性上，系统把模型能力与确定性执行分开：大模型用于生成代码，代码负责生成数据，再把结构化数据嵌入最终报告，降低直接由模型生成数字带来的波动。端到端报告链路从大型 PDF 文件上传开始，依次完成极速解析、主 Agent 混合召回、结构化报告生成，并通过 OSS 打包下载。跨域分析则将多模态知识库、Web 搜索、智能 Memory 与 DataAgent 四路并行召回，统一完成去重、权重排序、结果融合和溯源。

在消费电子业务洞察案例中，企业的产品覆盖 100+ 国家，智能终端部署于飞书，服务 1,000+ 内部研究员、产品经理和市场团队。知识范围包括约 2GB、3,000 份行业研究文档，约 1.5GB、50 万条 VOC 评论，以及约 1.5GB、2,000 份消费者洞察文档；系统月均调用 10,000 次，并发峰值 50 QPS。

落地前，研究员完成一份深度研究报告通常需要 3—5 个工作日，其中超过 30% 的时间花在跨系统查找和比对信息上，报表生成依赖手动整理。落地后，单份深度研究报告缩短到小时级，信息查找时间占比降至 10% 以下，ChatBI 报表可秒级生成。质量侧采用五通道并行召回、Memory-Aware 过滤和多目标 Reranker；资产侧将 5GB+ 文档、50 万条 VOC 与历史洞察统一沉淀为可检索、可复用、可溯源的研究资产，Citation 可归因到报告页码，并通过跨产品记忆共享减少重复研究。