ANative TALK 讲座预告｜当 grep 取代 embedding：为检索智能体重新安置相关性

TaoX AI

2026-10-19

导读：序言检索正在经历一场双重转变。

检索正在经历一场双重转变。第一次是从 RAG 到 search agent：模型不再被动接收一次检索的结果，而是主动地在语料中多轮搜索、翻阅，自己决定看什么、看多深。第二次转变发生在 agent 内部——与语料交互的工具正从 embedding 召回转向 grep：相比刚性的 top-k 向量召回，grep 以精确匹配给了智能体更灵活、更可控、也更可解释的语料访问方式。

但彻底踩掉 embedding，也意味着丢掉它最有价值的产物——相关性信号。grep 擅长「精确地找到字符串」，却不懂「哪一处更相关」；一旦失去相关性引导，智能体只能靠反复搜索来弥补，搜得越深、调用越多。如何让智能体既保留 grep 的灵活精确，又找回被丢弃的相关性？本期 ANative TALK，我们邀请到李江楠，带来主题分享：

From Embedding to Grep: Repurposing Relevance in Search Agents

当 grep 取代 embedding：为检索智能体重新安置相关性

讲座核心内容

本次分享介绍团队提出的RARG（Relevance-Aware RGrep Search）。它的主张不是在 grep 与 embedding 之间二选一，而是让 embedding 的相关性信息换一个角色重新归队：不再充当初始召回的前端，而是转去引导 grep 的全过程——

去哪搜

相关性信息参与决定智能体的搜索方向，减少盲目反复的搜索尝试。

在命中里挑哪一条

grep 的命中结果中，由相关性信号筛出真正值得读的那一条。

读哪一处

在文档内部，由相关性指出值得细读的位置，而不是整篇通读。

由此，grep 仍是与语料交互的主干，相关性则作为贯穿其中的向导信号。报告将展示这一设计如何在深度检索基准上以数分之一的工具调用取得更高的证据召回，并进一步讨论实验揭示的、智能体检索中「深度优先 vs 广度优先」的探索差异及其成因。

你将了解到

检索范式的两次转变：从 RAG 到 search agent、从 embedding 到 grep，各自带来了什么
彻底抛弃 embedding 会丢掉什么：相关性信号缺失如何迫使智能体越搜越深、调用越多
RARG 如何让相关性「换角色归队」：引导搜索方向、命中筛选与阅读位置
深度检索基准上的实证：更少的工具调用如何带来更高的证据召回
深度优先 vs 广度优先：智能体检索中的探索差异及其成因

嘉宾简介

李江楠，博士毕业于中国科学院信息工程研究所，以人才计划身份加入某互联网企业，从事应用研究类工作。研究方向聚焦检索算法，涵盖 Embedding、Reranker 与 RAG，基于 memory 和场景化的检索，检索智能体（search agent），以及 Agentic RL 等方向。

近期工作包括：

MiA-Emb/RAG：基于心景（Mindscape）理论为 RAG 装备全局语义记忆，增强长文本理解
MiA-Signature：用最大记忆覆盖构造紧凑 Signature 来近似全局记忆激活，指导超长文本与 Agent 场景下的检索、查询改写与问答
QRRanker：通过直接优化大模型中特定注意力头，实现记忆感知的新范式重排序；模型 HuggingFace 下载量峰值 300+

适合谁来听？

如果你关注以下方向，这场分享值得参加：

RAG 与检索系统（Embedding、Reranker）
检索智能体（search agent）与 Agentic RL
长文本理解与记忆机制
智能体基础设施与大模型工具调用

无论你是从事大模型、检索、知识库方向的研究者，还是正在构建 AI Agent 应用的工程师，都可以从这次分享中了解检索智能体前沿的最新思路。

活动信息

📅讲座时间

2026/10/21（周三）16:30–17:30（GMT+08:00）中国标准时间 - 北京

🎙️分享嘉宾

李江楠某互联网企业，博士毕业于中国科学院信息工程研究所

🔍分享主题

当 grep 取代 embedding：为检索智能体重新安置相关性

💻会议平台

腾讯会议

🔗会议号

753-556-278

项目资源

论文 MiA-RAG（Mindscape-Aware RAG）：https://arxiv.org/abs/2512.17220
论文 MiA-Signature：https://arxiv.org/abs/2605.06416
论文 QRRanker：https://arxiv.org/abs/2602.12192
HuggingFace 模型主页：https://huggingface.co/MindscapeRAG

结语

当检索从「先检索、后阅读」的一次性流程，走向智能体的自主搜索与翻阅，相关性不该是被顺手丢掉的副产品。RARG 所探索的，正是让 grep 的灵活精确与 embedding 的相关性信号各归其位：相关性不再充当召回的前端，而是成为贯穿搜索全程的向导。本期 ANative TALK，让我们跟随李江楠一起，看检索智能体如何用更少的搜索读到更对的证据。

🚀加入 EvoAgentX 开源社区，一起探索 AI Agent 的未来

欢迎加入项目交流群，与开发者、研究者和 AI 爱好者共同交流 Agent 架构、应用实践与最新进展。

⭐Star us on GitHub，让更多开发者发现并参与 EvoAgentX！

https://github.com/ANative-Lab/EvoAgentX

【声明】内容源于网络

TaoX AI

Building a Self-Evolving Ecosystem of AI Agents.

内容 12

粉丝 0

TaoX AI Building a Self-Evolving Ecosystem of AI Agents.

总阅读180

粉丝0

内容12