Instacart如何用LLM重塑杂货搜索：从冷启动到发现式体验

这场来自 Instacart 搜索与机器学习团队的分享，讲述了他们如何在真实、高复杂度的杂货电商场景中引入大语言模型，解决传统搜索在冷启动、长尾查询和商品发现上的结构性难题，并在工程约束下找到可落地的平衡点。

为什么“搜索”是杂货电商的生命线

在演讲一开始，Vines 就强调了一个常被低估的事实：在杂货电商中，搜索不是“锦上添花”，而是“基础设施”。与内容电商或泛商品平台不同，用户来到 Instacart 往往“带着很长的购物清单”，一次性要找几十个商品，其中大多数还是重复购买的老商品。

这决定了搜索系统承担着双重角色。一方面，它必须足够快、足够准，让用户几乎不思考就能完成补货；另一方面，它又必须支持“新商品发现”，帮助用户尝试没买过的东西。演讲者直言：“search has a dual role”，既服务效率，也创造增量。

更现实的一层是商业闭环。新商品发现不仅对用户重要，也直接影响广告主的曝光，以及平台整体的客单价。搜索结果如果只是一味回放历史偏好，平台就会陷入增长瓶颈。这也是 Instacart 团队反复强调搜索质量的根本原因。

传统搜索的两大死结：过宽与过窄

Instacart 团队将搜索难题拆得非常直白：真正棘手的，主要是两类查询。第一类是“过于宽泛”的词，比如 snacks。这样的查询背后对应着成百上千个商品，但排序模型高度依赖历史点击和转化数据，如果某些商品从未被曝光，就永远学不到数据，形成经典的“冷启动”死循环。

第二类则是“极度具体”的长尾查询，比如“unsweetened plant-based yogurt”。这类需求非常明确，但出现频率极低，导致模型几乎没有足够的训练样本。演讲者坦言，即使团队在召回层做了大量工作，“while recall improves， precision is still a challenge”，尤其是在初筛阶段。

这两类问题本质上指向同一个矛盾：搜索系统过度依赖用户历史行为数据，而杂货这种高 SKU、强长尾的领域，恰恰最缺稳定、可复用的数据分布。

为什么早期方案失败，LLM才成为转折点

在引入 LLM 之前，Instacart 并非没有尝试其他建模思路。演讲中提到，他们在查询理解模块上做过多轮改进，但在真实线上环境中，总是撞上工程和效果的双重天花板：要么延迟显著上升，要么“we didn’t see the wins that we actually hoped for”。

真正的转折发生在团队开始系统性地尝试大语言模型。LLM 的价值不在于替代原有排序模型，而是“uplevel query understanding”——提升对用户意图的理解层级。相比基于规则或浅层语义的方案，LLM 能更好地理解组合属性、隐含约束和自然语言中的模糊表达。

尤其在长尾查询上，这种能力带来了明显变化。演讲者提到，LLM 方案在 tail queries 上的提升“actually pretty significant”，这是此前方法几乎无法触及的区域。这并不是参数规模的胜利，而是表示能力的代际差异。

从查询重写到发现式搜索的系统落地

除了查询理解，Instacart 还将 LLM 用在了查询重写（query rewrites）上。这个模块的目标很明确：当用户的原始查询无法直接命中商品时，系统是否能自动生成更“可检索”的表达。演讲中提到，这一模型显著减少了“previously saw empty results”的情况，对业务非常友好。

更进一步，团队开始探索如何在搜索结果页中展示更偏“发现式”的内容。Vines 在后半段分享了他们如何用 LLM 生成和筛选探索型模块，而不仅仅是线性商品列表。这种内容并非强推，而是在不打断主任务的前提下，给用户提供灵感。

所有这些能力最终都要回到一个现实问题：如何评分、如何服务、如何控制延迟。演讲多次强调工程约束的重要性，LLM 不是“即插即用”的魔法，而是必须嵌入现有检索和排序体系，才能真正影响转化和收入。

总结

Instacart 的这次分享最有价值之处，并不在于某个具体模型，而在于他们对问题边界的清醒认知：LLM 解决的是“理解不足”的问题，而不是替代整个搜索系统。在高复杂度、强约束的杂货电商场景中，这种务实的系统视角，或许比任何炫技式的模型创新都更值得借鉴。对所有在做 AI 搜索的人来说，这是一次非常真实的经验样本。

关键词： AI搜索， 大语言模型， 杂货电商， 查询理解， 搜索系统

事实核查备注： 公司：Instacart；团队：Search and Machine Learning team；技术：LLMs（大语言模型）、query understanding、query rewrites；问题类型：overly broad queries、very specific tail queries；原话引用包括“search has a dual role”“while recall improves， precision is still a challenge”“we didn’t see the wins that we actually hoped for”“pretty significant for our tail queries”。