晓｜快手OneSearch：生成式电商搜索，3招治好 “推错货、找不着”

你有没有过这样的经历：夏天搜“透气运动鞋”，首页却混着加绒款；明明上周刚买过婴儿奶粉，再搜“宝宝用品”，还推你已经有了的奶瓶；更气人的是，有些明明超符合你需求的商品，翻了几十页都找不到——仿佛电商平台的搜索框，永远在“假装努力”。

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

最近翻到快手团队发表的OneSearch时，突然眼前一亮：他们居然把传统电商搜索的“老毛病”给治了。这篇论文不是空谈理论，而是已经落地的工业级方案——每天服务数百万用户，处理数千万浏览量。今天拆解下，OneSearch到底怎么让搜索框“开窍”的。

先搞懂：传统电商搜索为啥总“掉链子”？

在聊OneSearch之前，得先说说我们每天用的电商搜索，其实是个“三层流水线”——行业里叫“多阶段级联架构（MCA）”。你可以把它想象成超市进货的三道筛选：

召回阶段（第一道筛）：超市先从全国仓库调货，不管是洗发水还是零食，只要沾点你搜的关键词（比如“零食”），都先拉到超市后院——这一步要快，所以只能用简单模型，筛出来的候选有上亿个。

预排序阶段（第二道筛）：店员再把后院的货粗挑一遍，去掉明显不搭的（比如你搜“健康零食”，把辣条先去掉），剩下大概1万个，送到货架附近。

排序阶段（第三道筛）：最后导购员根据你的历史购买记录（比如你常买坚果），把这1万个里最可能让你下单的100个摆到首页。

这套流程看似合理，但有两个致命问题，也是你搜不到想要商品的根源：

问题1：“各管一摊”导致好货被误删

流水线的每个环节目标不一样：第一道筛怕漏货，所以尽量多留；第二道筛怕麻烦，所以尽量少留；第三道筛只能在第二道剩下的里挑——要是你最想要的“无糖坚果”，在第二道被误当成“普通零食”筛掉了，哪怕导购员再厉害，也没法给你找回来。

我团队之前做过测试，传统架构里，大概有15%-20%的“精准好货”会在中间环节被过滤掉，想想多可惜。

问题2：“计算浪费”让搜索又慢又笨

为了让三道筛子衔接，平台要把每道的结果存起来、传下去，这中间的存储和通信成本，占了总计算资源的70%以上——相当于超市把后院的货搬来搬去，却没花时间研究“顾客到底想要啥”。结果就是：搜索框反应慢，还总推些“半搭不搭”的商品。

更头疼的是“冷启动”问题：新上架的商品（比如刚出的小众品牌耳机）、新用户（第一次用平台的人），因为没历史数据，第一道筛就可能被忽略，根本没机会出现在首页。

OneSearch的破局思路：把“三道筛”改成“智能导购”

OneSearch的核心想法特别简单：取消流水线，让一个“全能导购”直接帮你找货。

你可以把它理解成：以前是“仓库粗筛→店员细挑→导购排序”，现在是你一进门，就有个记住你所有偏好的导购，直接带你去货架最深处，把你可能想要的商品都抱过来——不用中间环节，一步到位。

这套“端到端生成式框架”能跑通，全靠三个“黑科技”，每个都解决了一个关键问题。

黑科技1：给商品办“精准身份证”——KHQE模块

传统搜索的另一个坑：商品信息太乱。比如一个连衣裙标题写着“2024新款夏装显瘦碎花长裙ins风爆款学生韩系”，关键词堆了一堆，搜索模型根本分不清“夏装”“碎花”“显瘦”哪个是核心——就像给商品办了张写满废话的身份证，查的时候自然找不到。

OneSearch的“关键词增强分层量化编码（KHQE）”，就是给商品办一张简洁精准的身份证，分两步：

第一步：提取“核心信息”，去掉废话

先用技术把商品标题里的“噪音”去掉——比如“爆款”“ins风”这些没用的词，只留下“夏装”“连衣裙”“碎花”“显瘦”这些核心属性（他们还专门用命名实体识别，挑出18类关键信息，比如品牌、材质、颜色）。

这就像给身份证只填“姓名（商品名）、性别（品类）、身高（尺寸）”，去掉“爱好（营销词）”“口头禅（流行语）”，一眼就能看清关键信息。

第二步：分层分类，查得更快

然后用“分层量化”给商品分类：先按品牌分（比如“优衣库”“ZARA”），再按品类分（“连衣裙”“衬衫”），最后按属性分（“碎花”“纯色”）——就像超市货架先分“男装区/女装区”，再分“上衣/裤子”，最后分“M码/L码”，找的时候一顺到底。

更妙的是，他们还加了“独特属性编码”：比如两件都是“优衣库碎花连衣裙”，一件是“短袖”，一件是“长袖”，会用额外编码区分——避免传统模型把相似商品搞混的问题。

实验里，这个模块让商品的“识别准确率”提升了26%，也就是说，搜索模型再也不会把“短袖连衣裙”当成“长袖”推给你了。

黑科技2：给用户建“兴趣档案”——多视角行为注入

你可能会问：就算商品身份证准了，导购怎么知道我喜欢啥？

传统搜索只看你最近的点击记录，比如你昨天搜了“婴儿车”，今天就一直推，但可能你只是帮朋友看的——这就像导购只看到你昨天拿了婴儿车，却没看到你过去半年都在买健身器材。

OneSearch的“多视角用户行为序列注入”，就是给每个用户建一份全面的“兴趣档案”，分三个维度：

1. “身份标签”：不是随机ID，而是兴趣总结

传统用户ID是随机数字（比如“U12345”），OneSearch的用户ID是用你的行为算出来的——比如“近期常看露营装备+长期喜欢性价比商品+偶尔买咖啡”，相当于给你贴了个精准标签，而不是一个无意义的编号。

就像健身房给会员办卡，不只写“卡号001”，还写“喜欢瑜伽+每周三来+常买蛋白棒”，教练一看就知道怎么推荐。

2. “临时清单”：近期想买的东西

把你最近搜的关键词、点击的商品，直接当成“临时购物清单”告诉模型——比如你最近三天都在看“露营帐篷”，这部分权重最高，优先推荐。

3. “长期习惯”：一直喜欢的风格

你的长期购买记录（比如过去半年都买“纯棉衣服”），会被压缩成模型能懂的“偏好信号”——哪怕你近期没提，也会考虑进去，避免“搜一次婴儿车就被缠上”的问题。

我觉得这里最巧妙的是“滑动窗口”设计：比如你最近看了5个露营帐篷，模型会依次测试“看1个、看2个、看5个”时的推荐效果，找到最适合你的“记忆长度”——不会因为记太多旧账而推荐过时的东西，也不会因为记太少而抓错临时兴趣。

实验显示，加了这个模块后，“冷启动用户”的搜索准确率提升了2.5%——也就是说，哪怕你是第一次用平台，模型也能通过你最初的几次点击，快速摸清你的偏好。

黑科技3：给推荐“打分老师”——PARS奖励系统

就算商品身份证准、用户兴趣清，还有个问题：怎么判断“哪个商品更该放首页”？

传统搜索只看“点击量”，但可能一个商品点击多是因为标题党（比如“9.9元秒杀”，点进去发现是假货），而真正好的商品因为标题朴素，没人点击——这就像老师只看“举手次数”打分，不看学生实际回答好不好。

OneSearch的“偏好感知奖励系统（PARS）”，就是给推荐配了个聪明的“打分老师”，分两步：

第一步：“多阶段补课”，先让模型学规矩

模型不是一上来就推荐，而是先“上课”：

第一节课：认识商品和关键词（比如“‘薄款衬衫’对应哪些商品ID”）；

第二节课：学用户和商品的关系（比如“喜欢‘极简风’的用户，常买哪些品牌”）；

第三节课：结合你的兴趣档案做练习（比如“给‘近期看露营+长期爱性价比’的用户，推荐哪些帐篷”）。

就像老师先教课本知识，再做例题，最后针对每个学生的弱点补课，基础打牢了再上岗。

第二步：“动态打分”，不只看点击，还看真实价值

打分老师不只用“点击量”，还看三个关键指标：

点击后是否购买（点击量高但不买的，扣分）；

商品近期的真实热度（新商品哪怕点击少，但转化率高，加分）；

和你的需求匹配度（比如你搜“无糖零食”，推荐含糖的，哪怕点击高也扣分）。

更贴心的是“分层奖励”：比如你在搜索页买了商品（最高级），比“点击但没买”（中级）得分高，“没点击”（低级）得分低——模型会优先推荐得分高的，避免“标题党霸占首页”。

数据显示，加了这个系统后，订单量提升了3.22%——也就是说，你看到的首页商品，不仅是你想看的，还是你更可能下单的。

实际效果：不止好用，还省钱

OneSearch最让我惊讶的，是它不仅提升了用户体验，还帮平台省了大钱：

• 效率提升：模型计算利用率（MFU）从传统架构的3.26%，涨到了27.32%——相当于以前100台服务器只用到3台，现在用到27台，没浪费资源；

• 成本下降：运营成本（OPEX）降低了75.4%——相当于以前花100块运营搜索，现在只花24.6块；

• 业务增长：商品点击率（CTR）提升1.67%，订单量提升3.22%——对快手这样的大平台来说，这意味着每天多 millions 的交易额。

更重要的是“体验提升”：他们做了人工测评，找200个真实用户搜关键词，对比OneSearch和传统搜索的结果——OneSearch的“商品质量达标率”高2.12%，“Query - 商品匹配度”高1.87%，也就是说，你看到的商品不仅更准，质量也更好。

未来：电商搜索会越来越“懂”人吗？

OneSearch不是完美的，比如现在还主要处理文字信息，未来如果加入图片、视频（比如你拍一件衣服，直接搜同款），效果会更好；另外，实时编码能力还需要提升——比如新商品上架，现在要等一段时间才能进模型，未来希望“上架即能被搜到”。

但不管怎么说，OneSearch的意义在于：它把电商搜索从“被动筛选”变成了“主动生成”——以前是你在一堆商品里找，现在是模型帮你把对的商品“送上门”。

最后想问问你：你平时用电商搜索时，最烦遇到什么问题？是推错商品，还是找不到想要的？如果有“一步到位”的搜索，你会更愿意在平台下单吗？欢迎在评论区聊聊你的经历～

参考资料

• 标题：OneSearch: A Preliminary Exploration of the Unified End-to-End Generative Framework for E-commerce Search

• 作者：Ben Chen, Xian Guo, Siyuan Wang, Zihan Liang, Yue Lv, Yufei Ma, Xinlong Xiao, Bowen Xue, Xuxin Zhang, Ying Yang, Huangyu Dai, Xing Xu, Tong Zhao, Mingcan Peng, Xiaoyang Zheng, Chao Wang, Qihang Zhao, Zhixin Zhai, Yang Zhao, Bochao Liu, Jingshan Lv, Jing Chen, Xiao Liang, Yuqing Ding, Chenyi Lei, Wenwu Ou, Han Li, Kun Gai

• 单位：快手技术

• 链接：https://arxiv.org/pdf/2509.03236