朱坦
You.com AI 解决方案工程师
朱坦（Zhu Tan），You.com 中国区首位 AI Solutions Engineer，常驻上海，负责 Agent 原生搜索 API 在中国市场的技术落地，服务 AI Labs、云厂商与头部互联网客户，覆盖评测设计、PoC 到生产接入。此前在 AWS 担任 GenAI 方向 Specialist Solutions Architect，为头部互联网、AI 应用与消费电子公司设计 GenAI 训练与推理的存储架构，推动项目从 POC 走到生产；更早 15 年在 OpenText、Riverbed、HP、Dell 从事企业级架构与售前。业余自研多 Agent 架构，集成 Playwright 浏览、搜索 API、内容抽取与 MCP，对 Agent 如何消费 Web 数据有一线工程体会。关注 Agent 在生产中的“事实”问题：知识过时、答案不可验证与幻觉，擅长从系统视角拆解搜索、上下文工程与评测。曾在 AI Engineer Shanghai 2026 分享《让 AI Agent 看见此刻的世界》。
演讲主题
Agent 的事实底座：搜索系统的设计与训练闭环
模型是静态的参数，世界是动态的。Agent 在生产中卡住的地方，往往不是推理，而是信息：知识过时、答案无法验证、幻觉。本演讲从系统视角拆解 Agent 原生搜索：为什么为人设计的搜索不能直接给 Agent 用；一次 search 调用里的召回、排序、Highlights 抽取与 Knowledge 结构化融合；多轮循环中延迟、token 与调用次数如何被放大。随后以 CoreWeave × NVIDIA × You.com 的真实案例展示搜索的第二层价值：用搜索构造并筛选训练数据，在 3 周内让 30B 开源模型 BrowseComp 准确率相对提升 22.9%，且每题工具调用减少 32%。最后给出评估搜索工具的指标体系与可落地的验证路径。 大纲： 1. 问题：Agent 的三个断点（过时 / 不可验证 / 幻觉） 2. 论点：模型负责推理，搜索提供事实；搜索使用者从“人”变为“Agent” 3. 检索栈剖析：Agent 原生搜索的五个要求；数据层/检索层/编排层架构；检索管线与 Highlights；Knowledge（准确率 64.5% → 84.2%，延迟 +约 140ms）；上下文工程与多轮延迟放大 4. 案例：搜索驱动的 Post-training——搜索的四个角色、数据构造与 Pass@8 难度筛选、313 次 vs 7 次调用的轨迹对比 5. 落地：评估指标、A/B 验证路径、合规与成本 6. 展望：搜索 × 训练 / 结构化 / 治理 听众收益 • 理解为什么搜索质量是 Agent 准确率与成本的独立杠杆，而不只是“接个 API” • 掌握 Agent 原生搜索的技术要点与上下文工程方法（抽取式返回、结构化事实、token 预算） • 学到一套用搜索构造/筛选数据、做小规模 SFT+RL 的可复现思路 • 获得评估搜索工具的指标清单与 A/B 验证路径
