已核验事实
发生了什么
arXiv 于 2026 年 8 月 24 日发布 Clarify-Then-Search v1；该项目是一项评估深度搜索澄清流程的基准，而不是电商平台功能或政策更新。
该基准使用来自百度搜索引擎的真实查询数据，包含 518 个经过整理的实例；每个实例对应一个意图明确的查询和一个信息不完整的查询。
评估流程包括：Clarifier 针对不完整查询提出 1、2 或 3 个问题，User Answerer 仅依据意图查询中明确写出的信息作答，Rewriter 再根据原始查询和问答内容改写查询，随后由 WebDancer 执行深度搜索。
摘要称，在所有被评估模型中，提出 1 个澄清问题通常已经优于不交互基线，增加问题预算通常还能带来进一步提升；GPT-5.2 在提出 1 个问题时平均得分最高，ERNIE-4.5-Turbo-128K 在提出 3 个问题时总体表现最高。
当前可核验内容仅来自 arXiv 页面摘要的单一来源，未保留论文正文或引语；因此，摘要没有证明该基准已被电商平台、搜索平台或商家工具正式采用。
经营影响
为什么重要
商品搜索、竞品调研和市场分析中的需求经常缺少时间、地区、范围或定义等约束；摘要将这类信息不足与检索偏移、答案不完整直接联系起来。
对依赖 AI 搜索辅助选品、广告研究或客服知识检索的商家而言，问题不只是模型能否找到信息，还包括它是否先识别出缺失条件，并把答案转化为可执行的查询。
该研究把澄清问题、用户可回答性、查询改写和最终证据找回放在同一流程中评估，提示商家不能只看 AI 是否提出了问题，还要检查后续结果是否恢复了关键事实。
编辑观察
分析判断
如果商家把 AI 搜索直接用于商品或市场判断，先澄清再搜索可能比一次性提交模糊问题更适合高风险研究任务；但论文摘要只报告基准结果，尚不足以证明该方法在具体电商平台或中文商品场景中同样有效。
摘要指出系统容易反复追问仅涉及地区的问题，而用户无法从原始意图中回答。这意味着澄清流程的质量应同时考察问题是否可回答和问题是否能改变检索范围，而不能以提问数量作为唯一优化目标。
对商家来说，最有价值的落地点可能是把时间、地区、适用人群、商品范围和评价标准等约束显式记录在研究任务中，再比较澄清前后的搜索结果；这属于基于论文工作流的运营建议，不是来源已确认的产品能力。
适用范围
对卖家的影响
做选品和竞品分析的商家：模糊提出“近期热门商品”或“某类产品表现”时，可能得到范围不一致的结果；应要求研究流程明确时间、地区、品类范围和“表现”的定义。
运营广告与 SEO 的商家：如果使用 AI 生成关键词或搜索结论，澄清问答可能改变查询改写方向，因此需要保留原始问题、补充条件和最终查询，便于复核。
依赖客服或内部知识搜索的商家：该研究不能证明任何现有客服系统会自动采用 Clarify-Then-Search，但其评估思路可用于检查系统是否在信息不足时追问了可回答且与任务相关的问题。
行动建议
现在应该做什么
- 1
盘点高风险搜索任务
this-week从选品、竞品、广告和客服知识检索中各挑选使用频率较高且容易产生歧义的任务，标记其中缺失的时间、地区、范围、定义或评价标准。
- 2
建立一问澄清对照
this-week在内部测试中分别记录不澄清直接搜索与先提出一个澄清问题后的查询和结果，重点核对关键商品、来源和结论是否发生遗漏或范围偏移；不要把测试结果外推为论文结论。
- 3
检查问题可回答性
monitor审核 AI 提出的澄清问题，确认用户能依据已有任务信息回答，并优先处理会改变检索范围或判断标准的问题；对无法回答的问题记录为未知，而不是强行补全。
- 4
保留查询链路
monitor在尚未确认工具支持自动记录前，手工保存原始需求、澄清问答、改写后的查询和最终证据，便于复盘搜索结果为何发生变化。
暂时不要做什么
- 不要仅凭这篇论文摘要就更换现有搜索、客服或选品工具，也不要把 GPT-5.2 或 ERNIE-4.5-Turbo-128K 在该基准中的表现当作其在自家电商数据或中文运营任务中的保证。
来源与依据
证据与来源
- 01原始来源
arXiv:2608.20357v1 Announce Type: new Abstract: Deep search is brittle on underspecified user queries: missing constraints such as time, location, scope, or definitions can lead to retrieval drift and incomplete answers. We introduce Clarify-Then-Search, a benchmark for evaluating whether LLM-generated clarification questions improve downstream deep-search utility. Built on real-world query data from the Baidu search engine, the benchmark contains 518 curated instances, each with an intent query and a corresponding underspecified query. For each intent query, we run WebDancer once to archive evidence and construct a static golden reference as weighted, evidence-grounded nuggets with traceable source identifiers. At evaluation time, a Clarifier asks k in {1, 2, 3} questions; a closed-book User Answerer replies only with information explicitly stated in the intent query, otherwise returning unknown; and a closed-book Rewriter produces a rewritten query using only the underspecified query and the elicited question-answer pairs. WebDancer then executes on the rewritten query, and we score end-to-end utility using restore_score_100, a weighted nugget-recall score with partial credit aga
arXiv cs.IR Daily Feed · single-source · 72%
核验时间: 2026年8月24日 04:08 UTC
Claim is bounded to the ingested title or summary; no source body or quotation is retained.