云栖2026｜从“找到答案”到“完成任务”：阿里云以 Agentic Search 重塑 AI 搜索

阿里云在2026云栖大会分享 AI 搜索新范式与新引擎，推动企业搜索从信息获取迈向可规划、可执行、可进化的 Agent 基础设施。

9月24日上午，在2026云栖大会 AI 搜索分论坛上，阿里云智能集团计算平台事业部 AI 搜索负责人邢少敏发表《新范式 × 新引擎：阿里云 Agentic Search 重塑 AI 搜索》的主题演讲，系统阐释 AI 搜索从生成答案向执行任务演进的产业趋势，并分享阿里云 Agentic Search 2.0、Elasticsearch 、FalconSeek 2.0与知识引擎的技术实践。

“AI 搜索正在同时经历两次升级：上层从问答工具升级为能够规划、执行和自我进化的 Search Agent；底层从面向人的检索系统升级为面向 Agent 的实时上下文引擎。”邢少敏表示。围绕这一判断，阿里云提出以“新范式”连接企业知识、工具、执行环境与反馈机制，以“新引擎”承载高频、实时、多租和混合检索需求，让搜索成为企业 Agent 完成复杂任务的重要入口。

AI 搜索进入规模化阶段，价值衡量从流量转向任务结果

随着生成式 AI 加速普及，用户正逐渐习惯用自然语言描述复杂意图，并期待系统综合多源信息后直接给出结果。演讲援引公开数据指出，Google AI Overviews、Google AI Mode、ChatGPT 与 Perplexity 等产品的用户规模和使用频次持续增长。相关数据共同指向一个趋势：AI 搜索已经从概念验证走向规模化应用。

AI 搜索也在改变用户决策链路。传统搜索通常由用户自行筛选链接、比较信息并作出判断，AI 搜索则在用户进入业务页面前完成更多需求澄清和方案筛选。演讲引用特定客户样本研究称，部分 AI 搜索来源流量的转化率最高可达传统搜索的9倍；受行业、样本和归因方式影响，该数字不宜作为普遍基准，但反映出企业需要从单纯关注访问量，转向关注意图质量和最终任务结果。

从“我知道了”到“事情完成了”，企业级 Search Agent 走向可控执行

邢少敏将 AI 搜索的演进概括为三个阶段：2022年以前以关键词检索和链接返回为主；2023年至2024年进入理解问题、综合信息并生成答案的阶段；2025年至2026年，搜索进一步走向任务执行。用户提供的不再只是一组关键词，而是一个目标，系统需要完成步骤拆解、工具选择、知识访问、操作执行与结果交付。

“搜索的终点从‘我知道了’，变成‘事情完成了’。”邢少敏表示。这一变化意味着，企业需要的不是在搜索框上简单叠加大模型，而是一套能够连接知识、规划、执行、记忆与反馈的系统。

阿里云 Agentic Search 以企业知识为底座，面向行研报告、运维诊断、自动巡检、数据洞察和电商导购等场景，构建由 Agent Loop、沙箱、工具调用、权限审计、Memory、AutoSkill、PageIndex 与 AgenticWiki 等能力组成的企业级 Search Agent。系统可接入多模态文档、在线协作文档、企业知识库、搜索引擎及数据库，通过混合检索和动态编排，把分散的数据转化为可引用、可验证的执行依据。

在长任务中，记忆并非越多越好，关键在于准确选择、更新和遗忘。演讲披露，在2026年9月内部评测中，Agentic Search 记忆模块在 LoCoMo 上取得96.69%的综合得分，在 LongMemEval-V2 测试版本上取得81.37%的总体准确率；在本次 LoCoMo 评测配置下，输入 Token 节省68.18%。这些结果展示了系统在效果、成本与上下文长度之间进行平衡的探索。

Agentic Search 的自进化也不等同于无约束地自动改变系统。任务由 Planner、Researcher、Executor 和 Reviewer 等多个 Agent 协作完成，执行轨迹、质量评分、异常纠错、用户反馈与引用证据进入统一经验流，再分别推动 Memory 更新、Skill 抽取与评测、知识库增量沉淀。进化后的能力按需装载，并保持可观测、可评估和可回滚，避免把偶然经验直接固化为系统行为。

Elasticsearch Agent 把搜索能力延伸至运维诊断与数据洞察

演讲现场展示了阿里云 Elasticsearch Agent 的运维诊断和数据洞察能力。在运维场景中，系统可汇总集群状态、日志、指标与历史事件，输出包含异常节点、关键指标、可能原因、建议动作和证据链的结构化诊断报告；在数据洞察场景中，用户可用自然语言提出经营分析任务，由 Agent 理解指标口径、检索数据、识别问题并形成改进建议。

这套产品形态由“探测层—分析层—洞察层”构成：底层持续采集日志、指标、事件、监控与告警，中间层由 Agentic Search 提供知识、记忆、Skills、沙箱和权限能力，上层通过 Agents、Tools 与 Skills 形成智能巡检、故障诊断、性能调优和数据洞察。更简单的自然语言入口背后，仍然以权限隔离、工具治理、执行审计和证据可追溯为前提。

从检索系统到上下文基础设施，Elasticsearch 为 Agent 设计新引擎

当搜索开始直接服务 Agent，结果不再只面向人阅读，而要成为结构化、机器可读、可引用的实时上下文。Agent 的调用频率更高，数据更新更快，租户数量更多，同时要求全文检索、向量检索、多租隔离、稳定延迟和可控成本。邢少敏指出，AI 搜索的未来不只是一个“更好的搜索框”，搜索引擎正在成为 Agent 的认知和上下文基础设施。

为应对上述需求，阿里云 Elasticsearch 构建面向 Agent 的多租引擎：写入节点与查询节点解耦，以 OSS 作为统一持久化存储，租户数据按 Slice 组织，冷数据无需长期占用计算和本地盘，查询发生时再按需加载至内存或 SSD 缓存。页面展示的百万文档测试数据中，热查与冷查 P99 分别约为60毫秒和600毫秒；在演讲所述的特定架构与口径下，整体成本可降低约70%。具体效果会随数据规模、硬件配置和访问模式变化。

Qoder 是这一 Agent 引擎的标杆案例。AI Coding 场景同时面临代码仓库与文档规模大、租户数量多、代码持续增长、代码更新后需实时检索等挑战。根据演讲披露，Qoder 场景可支撑数百亿文档、千万级代码仓库和千亿向量，热查询 P99 约60毫秒，并支持代码秒级更新；在对应负载与对标口径下，综合成本约为同类方案的七分之一。

支撑这些能力的核心之一，是阿里云 Elasticsearch 云原生内核 FalconSeek。它保持 Elasticsearch API、Query DSL等接入方式兼容，将核心查询执行转移至 C++ 内核，直接读取 Lucene Segment 文件，通过批量化执行、内存生命周期管理及查询专项优化，降低 CPU、内存和垃圾回收开销。在向量检索中，FalconSeek 先通过 HNSW 图遍历获得候选，再读取原始浮点向量进行批量重排，让全文与向量能力在同一引擎内协同优化。

面向 Agent 长期运行产生的记忆、技能和知识，阿里云 Elasticsearch 知识引擎进一步以 Namespace 作为租户与 Agent 的身份边界，在统一索引体系中融合 BM25、向量、过滤、Rerank 和个性化检索，并通过 Hot、Warm、Cold、Frozen 等生命周期管理不同价值和访问频率的数据，形成“检索—行动—记忆—知识”的企业知识自进化闭环。

邢少敏表示，Memory 让上下文可积累，Skills 让经验可复用，知识引擎让企业资产在安全边界内持续流动。通过 Agentic Search、Elasticsearch、FalconSeek 与知识引擎的协同，阿里云希望为企业构建从搜索到行动的完整基础设施，提供实时、可靠、可验证且成本可控的上下文支撑。

阿里云AgenticSearch: https://help.aliyun.com/zh/open-search/search-platform/product-overview/agentic-search-ai-driven-next-generation-enterprise-search

钉钉交流群群号：35183864

本文根据2026云栖大会 AI 搜索分论坛现场演讲内容整理。文中评测、性能与成本数据均以演讲披露的特定版本、配置和测试口径为准。