作者：阿里云计算平台AI搜索产品负责人 汤祯捷
范式转移：从"被动响应"到"主动执行"
传统企业搜索的目标是找到一份文档，然后把阅读、比对、推理、结论的全部工作交还给人。AgenticSearch 的目标是全自动化完成一项任务、得出一个可行性结论，或生成一份可交付的成果。
这背后是一次架构层面的革命：以自主智能体（Agent）为核心驱动，以信息检索与整合为坚实基础，将碎片化的多源联网信息与企业知识库，从"被动检索的静态资产"升级为"具备自主推理与执行能力的知识认知引擎"。
AgenticSearch 的产品设计，直接回答了企业 Agent 从试用走向持续生产使用时必然遇到的六类问题：
| # | 核心问题 | 用户面临的直接困难 | 对应能力 |
|---|---|---|---|
| 1 | 多源知识找不全 | 数据分散在文档、数据库与既有搜索系统；单路召回遗漏答案；内部资料缺少最新外部信息 | 融合知识库、联网搜索增强、统一 Search / Context API |
| 2 | 复杂内容看不懂 | 图片、图表与版面信息难以检索；同一对象名称不同、指标口径或版本冲突 | 多模态检索、轻量语义层与 Agentic Wiki、Evidence 定位 |
| 3 | 操作经验留不住 | 反复交代背景与偏好；已纠正的错误再次出现；成功做法无法复用 | Agentic Memory、Skills、知识治理、改进门禁 |
| 4 | 评估效果难判断 | 不知道答案是否可信、改动是否有效，也不知道慢在哪、钱花在哪 | 对照评测体系、Agent 可观测性、Evidence / 引用体系 |
| 5 | 任务不可靠 | 长任务因断连、重启或工具超时丢进度；重复重试产生副作用；结果难以送达 | 可靠运行（Checkpoint / Runs API）、IM 异步交付、故障诊断 |
| 6 | 企业使用缺少管控 | 内容越权、Agent 动作越权、撤权不生效；多租户资源竞争与成本失控 | 内容权限、角色动作权限、多租引擎、用量预算 |
产品采用「统一搜索与上下文底座 + 可选托管 Agent」的分层形态：底座负责提供可访问、可理解、可追溯的知识与上下文；托管 Agent 在此基础上提供可恢复的任务执行与结果交付。已有自有 Agent 的客户可以只接底座，无需接入完整托管运行时。
一句话概括本届云栖 AgenticSearch 的发布主张：
让企业 Agent 可运行、可记忆、可治理、可持续进化。
Agentic Search 2.0 云栖全新发布
Agentic Search 2.0 新版本在云栖正式发布，全面对标国际先进形态，构建中国领先企业搜索智能体的能力合集——既有面向企业内部知识的深度检索与知识治理，也有面向全网实时信息的搜索增强服务 能力。
本次发布包含五项核心升级：
| # | 升级项 | 说明 |
|---|---|---|
| 1 | Harness 架构：让企业 Agent 可持续运行 | 引擎侧统一底座打通，AgenticSearch 可原生调用阿里云 Elasticsearch Agent 引擎版与 OpenSearch Agent 作为检索后端 |
| 2 | Agentic Memory：让长期记忆持续进化 | 长期记忆能力在准确率与 Token 成本两侧同时优化。Memory / Skill 。Agent 在运行中沉淀经验并反哺后续任务，搜索效果"越用越准"。 |
| 3 | 多路召回融合检索：按需路由四类知识资产检索 | 多路检索召回、多模态图文搜索。联网搜索：全网实时信息作为受控工具接入 Agent，补齐内部知识库的时效性缺口 |
| 4 | 企业Agentic 知识库 | 支持三类知识库形态，文档知识库 / 数据查询知识库 / 多模态知识库。原生支持阿里云Elasticsearch / OpenSearch行业算法版 / OpenSearch向量检索版 |
| 5 | Agentic Search生态扩展 | 开放兼容。支持主流Agent：OpenClaw / Hermes / Qoder / DataWorks DataAgent / DMS DataAgent |
同期发布的能力还包括：多类型知识库、个性化记忆，以及钉钉 / 飞书 / 微信 IM 渠道交付。
Harness 架构：让企业 Agent 可持续运行
主从编排与四阶段流水线
Harness 架构是 AgenticSearch 的主从 Agent 编排层，负责长任务的断点续作与子 Agent 调度。所有检索请求统一经过四阶段查询流水线：
Query 理解 → 受控多路召回 → 融合重排 → 上下文/生成与引用
三种运行模式与智能路由
| 模式 | 分类 | 适用任务 | 工作方式 |
|---|---|---|---|
| 极速模式 | Flash | 即时性、高频次问答 | 融合内部知识库与全网公开信息，激活轻量级工具，秒级响应 |
| 高级模式 | Pro | 复杂、多维度战略性任务 | 启动完整「理解—规划—执行—整合」工作流，自主完成数据采集到洞察呈现 |
| 专家模式 | Swarm | 智能体集群协作 | 支持自主任务规划，工具调用与子智能体编排，适用于复杂任务的拆解与执行。 |
| 自适应模式 | Auto | 混合负载 | 系统的智慧核心：实时评估用户意图复杂度，自动选择最优工作模式，实现无感智能体验 |
架构上由智能路由实时评估意图复杂度并分流；
-
Planning Agent 作为"总指挥"负责分析、拆解与分配复杂任务；
-
工具集执行具体子任务并将结果闭环反馈给 Planning Agent 以动态调整后续计划；
-
Report Agent 负责信息整合、提炼与呈现，输出 Markdown 或 HTML 格式报告。整个智能核心由千问模型家族驱动。
Agent 工具集
| 工具 | 能力 |
|---|---|
| 多模态智能体 | 深度解析 PDF、Word、PPT、图片等非结构化/半结构化文档，理解表格、图表与布局 |
| 企业知识库检索 | 无缝集成 Elasticsearch 或 OpenSearch 实例，利用向量检索与 RAG 精准引用内部数据 |
| CodeAgent 代码智能体 | 安全隔离的代码执行环境，自主编写运行脚本，执行数据处理、数值计算与统计分析 |
| 联网搜索+网络爬虫 | 获取实时新闻、政策法规等最新公开信息。定制化批量抓取特定领域网页信息，如竞品价格、舆情监测 |
| 报告总结Agent | |
| 浏览器代理 | 模拟真实用户操作（点击、滚动、登录），访问需交互的网站，如电商平台比价 |
可靠运行与可观测
可靠运行（Runs）：将任务状态与连接分离，持久化检查点（Checkpoint）、执行事件、工具调用记录与审批状态，支持查询、暂停、恢复与取消。对执行结果不明的工具操作，先核对后处理，避免盲目重试产生重复副作用。
可观测（Observability）：记录实际执行步骤、耗时、Token、成本与失败原因，提供历史查看与受控回放，支持故障诊断。这里有一条清晰的产品分工：可观测回答"发生了什么、原因在哪里"，评测体系回答"做得好不好、改动有没有变好"——Trace 完整不等于质量合格。
IM 生态交付：在 IM 中提供及时受理、进度查询与异步交付，并对重复消息去重。渠道优先级为钉钉（P0）、飞书（P1）、微信（P2）。异步交付改善长任务等待体验，但不替代对知识库慢查询根因的治理。
Agentic Memory：让长期记忆持续进化
Agentic Memory 是本届云栖 AgenticSearch 发布中数据表现亮眼的能力，其设计目标是：让每次交互沉淀事实与经验，形成可复用、可校正、可追溯的智能记忆循环。
四层记忆结构
| 层级 | 名称 | 内容 | 作用 |
|---|---|---|---|
| 1 | 原始 Session 证据 | 完整对话 · 工具结果 · 来源定位 · 时间锚点 | 保留完整细节，为记忆生成与演化提供可核验依据 |
| 2 | Session 经历 | 任务目标 · 关键决策 · 执行过程 · 结果反馈 | 记录一次任务如何完成，支持经验复盘与迁移 |
| 3 | 可复用记忆 | 事实 · 经验 · 约束 · 实体关系 | 形成可检索、可关联、可复用的知识单元 |
| 4 | 长期认知 | 跨会话偏好 · 持续目标 · 行为模式 | 聚合多次证据，随新经历持续校正 |
四层之间是双向流动：向上沉淀（提炼 → 归纳 → 校正）构建认知，向下召回（理解任务 → 补充经历 → 追溯证据）服务当前任务。三者共同构成 Agentic Memory 的产品主张：
快速"想起来" × 知道"如何复用" × 每次演化都有据可查。
关键在于，记忆按当前任务组织为最小充分上下文，而非把全部历史一次性灌入模型——这既是准确率来源，也是 Token 成本来源。
双基准记忆验证：记得准、用得对，成本更可控
| 基准 | 定位 | 成绩 |
|---|---|---|
| LoCoMo | 长对话记忆 · 四类任务综合 | 综合得分 96.69% |
| LongMemEval-V2 | Agent 式任务记忆 | 总体准确率 81.37% |
| Token 节省 | LoCoMo 本次评测配置 | 输入 Token 节省 68.18% |
自进化Agent：让搜索越用越准确
自进化（Self-Evolving） 是 AgenticSearch 2.0 的差异化核心——Agent 在运行中沉淀经验并反哺后续任务的闭环，覆盖四条支线：
| 支线 | 机制 |
|---|---|
| Memory | 保存授权范围内的有效事实、显式偏好及符合门禁的推断记忆，支持查看、纠正、删除与过期 |
| Skills | 将验证有效的处理步骤沉淀为有版本、依赖、权限与验收条件的技能 |
| 知识引擎 | 把反馈转化为知识治理与检索优化建议，支持版本管理与回滚 |
| 评估 | 使用版本固定的评测集，在相同任务、授权与预算条件下对比质量、成本与风险，建立发布与回滚门禁 |
这里的产品纪律值得强调：自进化指可验证的持续改进，不意味着无条件自动写入，也不是模型权重的自动训练。 候选改进必须经过对照评测，并结合审批、灰度与回滚控制生效，以阻止质量退化。
验证方向上，观察三个指标是否改善：重复背景说明是否减少、已纠正问题是否不再复发、同类任务的重复规划是否下降；同时验证错误经验、个人偏好与私有内容不会污染共享知识。
Evidence / 引用体系贯穿始终：将关键结论绑定来源、版本及具体定位，并显式标记证据不足与来源冲突。评估时分开考察引用覆盖、定位正确与内容支持度三个维度——回答附有链接，不等于链接支持结论。
多路召回融合检索：按需路由四类知识资产检索
企业任务的信息来源非常多，只做一路向量检索很难同时满足权限、时效、精确性和证据质量。这里的四层检索编排，实际上是按任务选择最合适的通道。AgenticSearch 2.0 将企业知识组织为四类知识资产：
| 知识资产 | Level | 承载内容 | 主要解决的问题 |
|---|---|---|---|
| Memory | 召回用户 Session 和长短期记忆 | 事实、偏好、经验、约束 | “记住什么” |
| PageIndex | 利用PageIndex页面结构和语义节点做精确定位 | 文档的结构化页面索引 | 长文档的精确定位与证据回溯 |
| Agentic Wiki | 从 Agentic Wiki 和 Graph 里查找事实来源与关系网络 | 可追溯的派生知识与业务概念组织 | “如何组织知识” |
| ES / OS 搜索数据库 | 由 Elasticsearch 或 OpenSearch 完成全文、过滤、向量、多模态和混合检索。必要时再加入公网信息。 | 全量原始知识源与结构化数据 | 权威事实的检索与实时查询 |
多路召回之后，Pipeline 还要去重、合并、重排和消解冲突，评估证据质量后才生成引用。最终交绘给 Agent 的不是一堆片段，而是可追溯、可解释、可继续执行的 Context。
AgenticSearch检索配套能力包括：
多类型知识库统一接入：只读对接 Elasticsearch、OpenSearch 向量检索版、OpenSearch 行业算法版，结合关键词、向量与结构化条件进行多路召回与融合，并保留 Evidence 原始出处与版本。"统一接入"不等于搬迁全部原始数据，也不等于每个任务必须查询所有来源。
统一授权体系：覆盖知识库权限（ES / OS 实例的用户密码自动授权、VPC 访问授权）、RAM 访问 OSS 数据的授权（OpenAPI 对接与后端访问）、以及第三方 Agent 对接（DMS DataAgent / DW DataAgent）。
轻量语义层：注册业务对象、关系、指标口径与来源映射，统一业务实体别名，解决"同一零件多个名称、同一指标多种定义"导致的 Agent 混用车型、版本或时间范围问题。语义层是轻量注册层，不等于新建全量 OWL 或图数据库；语义组织不能代替原始证据，自动生成的 Wiki 不能被默认为事实权威，存在冲突时应保留并说明。
知识引擎治理：持续识别知识缺口、过期内容与索引问题，将用户反馈转化为知识治理与检索优化建议，并支持版本与回滚。
联网搜索增强Agent
联网搜索能力以标准 OpenAPI 形式对外开放，既可独立调用，也可作为 Agent 工具接入。
四类适用场景
-
拓展私有知识库回答：私有知识不足或过时时，通过联网搜索获取最新信息辅助大模型生成（RAG 增强）；
-
实时信息查询：天气、新闻、股票等，配合
time_range参数； -
复杂问题推理：结合
history进行多轮上下文相关的深度搜索； -
内容提取与分析：使用
way=pro-fetch+content_type=mainText获取高质量网页正文，用于摘要与分析。
在产品侧，联网搜索受授权开关与预算双重约束，并统一提供内容提取、去重与来源时间——外部信息的引入始终在企业管控边界内，且必须携带可核验的来源与时间戳。
企业Agentic 知识库
传统知识库往往以存文档为中心，但Agent 执行任务时需要的不只是文档。它需要可引用的事实、可追溯的来源、实体之间的关系, 也就是现在多被提到本体论，以及与当前任务相关的最新状态。
底层支持由阿里云 Elasticsearch 或 OpenSearch 行业算法版 / 向量检索版 承载文档、数据查询、多模态内容和已有索引。在此之上，知识蒸馏提炼关键事实，Agentic Wiki 按主题与来源组织知识，Graph 表达实体和关系。最后，检索结果带着证据、版本、权限和更新时间进入任务 Context。上下。
多模态搜索服务：OpenSearch系列产品新发布
多模态是解决"复杂内容看不懂"的关键能力，本届云栖在 OpenSearch 产品侧发布三项内容：
OS 向量检索版 - 视频端到端Pipeline
支持文本、图像、音视频的统一向量化检索，涵盖图片搜索、视频总结与问答等能力。典型客户场景覆盖电商/零售/教育/互联网等行业。 OpenSearch内置行业搜索最佳实践模板与智能算法模型，一键式完成搜索全链路配置；结合达摩院 NLP 技术，支持分词、同义词、拼写纠错、停用词等行业查询语义理解，面向对搜索效果有更高要求的企业。
一站式视频标注服务
面向具身智能、视频内容生产等场景，提供视频片段、数据集与实验记录的检索能力，支持时间码定位与时序/属性约束筛选。
多模态检索的能力边界
在 AgenticSearch 侧，多模态检索支持文找图、图片找图、图片关联文本，并结合 OCR、版面与属性条件进行混合检索，可定位到页面、区域或阶段支持的时间码。典型场景如汽车行业：故障照片需要匹配维修资料，扫描件与技术图中的信息需要精确定位。验证方式是用真实图文任务考察检索相关性、对象消歧、版本/口径一致性与证据定位能力。
阿里云AI搜索产品OpenSearch云栖发布
| 时间 | 产品分类 | 核心能力 | 版本支持 | 官网文档材料 |
|---|---|---|---|---|
| 新范式 | 阿里云 OpenSearch | AgenticSearch2.0 搜索智能体 | 全版本 | AgenticSearch：AI 驱动的新一代企业搜索 |
| AgenticMemory 智能记忆 | 全版本 | Agentic Memory智能体记忆 | ||
| 多模态搜索 - OpenSearch向量检索版 * OS行业算法版-多模态搜索 * 一站式视频检索服务 * 视频语义检索服务 | 全版本 | 视频检索快速入门 视频语义检索快速入门 多模态搜索电商导购案例 | ||
| 视频处理系列API | 全版本 | * 视频截帧 * 视频总结 * 视频标注 * 视频切割 * 语音识别 * 视频检索-多模态排序 | ||
| 联网搜索增强 | 全版本 | 联网搜索服务 API 参考 | ||
| 阿里云 OpenSearch 行业最佳实践 | AgenticSearch Shopping电商行业定制最佳实践 | 行业 | 构建高转化海外电商搜索：阿里云OpenSearch行业算法版的全链路智能优化策略实战 |
四大高价值场景
| 场景 | 能力组合 |
|---|---|
| 行业研究深度报告 | 行业研究报告生成、DeepResearch 深度研究、视频竞品对标、私有知识分析 |
| 知识数据检索 | 多模态知识库、数据查询，视频/图片等非结构化知识数据融合检索与归纳总结 |
| 营销销售洞察 | 线索收集、自主需求生成、营销洞察、销售分析，按需对接主流 Data Agent |
| 运维诊断 & 智能问答 | 运维告警根因定位、容量规划、SQL 慢查优化，智能问答、自动答复、自动执行 |
新引擎 × 新范式：一张图看懂 AI Search 全栈
两条主线并非并列的两个产品，而是一套自上而下贯通的AI原生技术栈：
端到端价值理解：AgenticSearch 提供统一搜索与上下文底座，让企业 Agent 可运行、可记忆、可治理、可持续进化；Elasticsearch Agent 引擎版提供亿级租户、千亿向量的存储与检索底座，让这份上下文的供给在成本、延迟与隔离三个维度上同时成立。
Qoder 的融合检索规划与高科技企业的研究型 Agent 落地，分别从"Agent 基础设施"与"企业知识应用"两端验证了同一件事：当搜索成为 Agent 的认知底座，企业的信息资产第一次可以被自动地理解、推理并交付为成果。
