针对生成式检索范式在电商搜索场景下面临的落地瓶颈，快手技术团队近日发布了新一代框架OneSearch-V2的系统性研究论文。当前，生成式检索在电商搜索应用中主要遭遇三大挑战：复杂查询理解能力不足，难以精准把握用户多维度、多意图的搜索需求；用户潜在意图挖掘乏力，仅能基于显式关键词进行匹配，无法洞察用户深层购买动机；奖励系统容易过拟合历史窄偏好，导致模型陷入“用户曾经买过什么就继续推荐什么”的循环，限制了探索新品类的能力。
针对上述问题，快手技术团队在已规模化部署的工业级生成式搜索框架OneSearch基础上，推出了全新升级的OneSearch-V2。该论文详尽阐述了以潜空间推理为核心的解决方案，通过将查询理解、商品检索和排序生成统一到一个生成式框架中，实现了端到端的搜索优化。OneSearch-V2引入了多视角查询编码器，能够同时处理用户输入的文本查询、历史行为序列以及隐式的上下文信号，大幅提升了对复杂查询的综合理解能力。
在挖掘用户潜在意图方面，OneSearch-V2设计了意图感知的潜空间推理模块。该模块不依赖于用户明确表达的关键词，而是通过分析用户在搜索前、搜索中的行为轨迹，推测其真实购买意图——例如用户搜索“连衣裙”时，系统能够判断其是想要通勤款还是度假款，并根据不同意图调整检索结果排序。针对奖励系统过拟合问题，OneSearch-V2采用了去偏的奖励建模策略，在训练过程中引入随机探索机制，避免模型过度依赖历史窄偏好，从而提升推荐的多样性和惊喜度。
目前，OneSearch-V2已在快手电商搜索场景中完成部署验证。离线评估和线上A/B测试均显示，新框架在查询理解准确率、用户满意度以及商品发现多样性等关键指标上均取得了显著提升。这一研究为生成式检索在电商搜索领域的规模化应用提供了新的技术路径，也为工业级搜索系统的持续演进贡献了重要参考。
