搜索与问一问
搜索是小红书的第二条产品脊柱。公开论文覆盖查询理解（QP-OneModel）和相关性（生成式 GRM + 强化学习）；工程分享覆盖生成式检索和「问一问」RAG。QCon 上海议题把整条链路写成 QP、召回、相关性、排序，以及从「搜内容」到「问 AI」。
QP-OneModel
QP-OneModel: A Unified Generative LLM for Multi-Task Query Understanding in Xiaohongshu Search（arXiv:2602.09901）针对 SNS 搜索的查询理解。传统 QP 是一串互相独立的 BERT 判别模型，维护成本高，子任务之间也不共享语义。
- 把异构 QP 子任务收成统一的序列生成。
- 三阶段对齐，最后用多奖励强化学习，让输出符合业务定义，而不是开放域闲聊。
- 额外生成意图描述，供改写和排序当高保真信号。
- 离线相对判别基线总分 +7.35%；复杂 NER、Term Weighting 的 F1 各有约 9 个点的提升。
- 已全量服务搜索结果页。线上 A/B：检索相关性 DCG +0.21%，留存 +0.044%。
生成式相关性
Optimizing Generative Ranking Relevance via Reinforcement Learning in Xiaohongshu Search（arXiv:2512.00968，KDD'26）把相关性写成可推理任务。作者认为：只输出一个分数不好解释；自由发挥的思维链又不够贴小红书的业务标准。
| 做法 | 作用 |
|---|---|
| 业务标准写进多步 prompt | 相关性按社区搜索多年积累的准则推理，而不是空泛 CoT。 |
| SAM（Stepwise Advantage Masking） | 给中间推理步骤分配信用，减轻只看最终对错的稀疏奖励。 |
| 蒸馏 | 大模型用 RL 调好后，压到可上线的小模型。 |
生成式检索
「小红书搜索：生成式检索的探索与实践」把检索分成稀疏（BM25）、密集（DSSM 一类）和生成式。生成式又分三种：优化现有模块（改写、摘要）、直接生成笔记 ID（GDR）、以及理想态直接生成答案。分享指出：用户既要摘要，也要看到别人的笔记，所以几种检索都要留着。笔记库在亿级以上，GDR 更适合候选集较小的场景（例如推词）。
问一问
QCon 公开议题和后续报道把它写成基于站内笔记的 RAG：结构化总结，并标注来源。2025–2026 年产品从文字问一问演进到语音问一问。组织上，小红书把大模型团队收成 Dots / hi lab，并开源 dots.llm1、dots.vlm1、dots.ocr 等，但问一问的线上检索栈仍以站内笔记为证据，而不是开放域闲聊。