Sierra 搜索双模型 Linnaeus 与 Darwin：客服检索按「解决率」而非准确率优化，解决率最高提 16 个百分点

一句话结论

大多数客服搜索系统在回答「能不能取消订单」，但客户真正想要的是「退款多少、几天到账、下一步做什么」。Sierra 重构了搜索的评判标准——不看单次回答准不准，看能不能推动问题解决：自研检索模型 Linnaeus 配重排模型 Darwin，把解决率最高拉升 16 个百分点。

搜索系统普遍优化错了目标

客户提问背后几乎都有目标。问「我能取消订单吗」的人，真正想知道的是：会不会退款、退多少、接下来要做什么。大多数知识库搜索被设计成回答眼前的问题，但好的客户体验要解决背后的目标。

搜索系统通常按单次响应的准确率和相关性优化，结果是答案正确、却未必解决问题。Sierra 把搜索重构为：让智能体拿到完整解决问题所需的一切。自研的检索与重排模型跑赢了现成模型，解决率最高提升 16 个百分点。

每年数亿次搜索

Sierra 上的智能体每天在知识库上执行超过 200 万次搜索。每次搜索都不只是为了找一个「正确答案」，而是检索推动对话走向解决所需的信息：政策、边缘案例、下一步动作。

看一段真实对话：

客户：我想查一下我的隐形眼镜，我叫 Maya Chen。 智能体：抱歉，系统里没找到这个名字。 客户：哦我最近结婚了改了姓，可能在 Maya Anderson 名下。 智能体：好的，找到了…… 客户：太好了，那我去哪里取？

传统搜索可能返回「处方取货地点」的文章。但 Maya 还需要知道营业时间、取货时姓名不一致怎么处理。Sierra 的搜索围绕理解完整问题设计——不只回答眼前提问，而是让智能体拿到解决问题所需的上下文。

度量真正重要的东西

Sierra 从四个维度评估搜索，每个都挂钩智能体能否推进到结果：

• 速度——多快能取回有用上下文、让对话不卡顿？P90 延迟已降低超过 75%。

• 成本——规模化下是否高效？搜索成本下降超过 75%。

• 质量——检索到的文档集是否支撑解决？recall@30 平均值提升到约 95%。

• 结果——检索改进是否真正转化为更好的客户体验？解决率最高提升 16 个百分点。

客服场景的专用搜索定义

这要求重新定义「相关性」——以解决为锚点。回到「能取消订单吗」的例子：通用搜索系统会返回取消政策。但解决这件事还需要：退款时间线、退货入库规则、忠诚会员的例外条款。

客服场景的成功标准是：

• 返回支持合规决策的信息

• 预判下游步骤

• 避开常见解决死角

• 为升级人工提供正确上下文

按这种方式、用真实对话反哺地重新定义检索，才能系统性改善结果。

两个自研模型

系统建立在两个定制模型上：Linnaeus 负责检索，Darwin 负责重排。两者的目标都不是「找到相关信息」，而是「组装解决问题所需的信息」。

Linnaeus：面向客服的对话感知检索

传统搜索管线是「生成查询词→向量化→检索相似文档」。这引入延迟，还常把多轮对话压缩到丢失问题背后的目标。

Linnaeus 在合适的场景直接对完整对话全文做检索。这保留了细节——比如区分隐形眼镜和其他处方——并省掉了单独的查询生成步骤。现成嵌入模型不是为这个设计的：它们为短查询优化，而非多轮对话。Sierra 的模型专为对话转写构建，并在数万条真实对话上评估。

更关键的是，它检索的不只是最相关的单篇文档，而是推进对话所需的信息集：政策、边缘案例、下一步动作。这一转变让 recall@5 提升 20%、recall@30 达到约 95%，同时把每次搜索的延迟砍掉约 800 毫秒。

Darwin：客服感知的重排

检索撒大网，Darwin 挑出真正有助于解决的结果。

前沿大模型能做好这件事，但规模化下太慢太贵；小模型够快，却常漏掉需要推理的上下文。Darwin 专为客服体验构建，同时识别直接相关与间接相关的信息——比如客户问改名时，顺带把资料设置页带出来。它同时拿到了精度和效率：成本、延迟下降，结果质量上升。

从检索到解决

Linnaeus 和 Darwin 组成的系统，设计目标不是回答问题，而是解决背后的问题。在数千条真实对话上，这套方法带来更快的响应、更好的答案、更高的解决率。因为客户的目标从来不是「得到一个答案」，而是「解决这件事」。

落地参考

自建客服知识库 RAG 的团队可以直接借鉴这套「按解决率优化」的思路：评估检索质量时别只看召回率，把「检索结果是否覆盖政策、边缘案例、下一步动作」纳入评估集；选嵌入模型时优先验证多轮对话全文输入的效果，而不是只测短查询。配置评估流程时，建议先从真实客服对话里抽取「问题已解决」的样本作为金标准，再对比通用嵌入与对话感知嵌入在 recall@30 上的差距，最后用重排模型过滤间接相关信息——这三步能直接定位现有管线的优化空间。

原文信息

• 作者：Ola Zytek、Pedram Razavi、Alex Avery、Colin VanLang、Ben Dong（Sierra）

• 发布时间：2026-04-03

• 原文标题：Meet Linnaeus and Darwin: Search models that drive higher resolution rates

原文地址：