WeSearch：簇约束候选空间与原子文档匹配¶

L1 CPU索引/数值组件，diagnostic only。完整模型与生产实验成本过高，不复现（审查 DONE）；未接入执行型Evolve。

论文信息¶

字段	内容
论文链接	固定v1、全文
原始标题	WeSearch: A Unified Model-Centric Retrieval Framework for WeChat Search
公司 / 作者机构	一作Kepu Zhang，Tencent / WeChat Search Group；共同一作另有Yuzhe Cai、Yue Shu
首次公开日期	2026-10-31 01:35:20 UTC，arXiv v1；11月3日公告，不按11月4日检索日期计新首发
原作者代码	原文及arXiv链接未找到/未核验发布WeSearch代码；引用框架不等于作者实现
本地adapter / 稳定键	`wesearch`；`adapter: null`，独立CPU组件
本地代码位置	`src/auto_research/reproductions/wesearch_components.py`；`tests/test_nov04_wesearch.py`
本地证据	CPU三种子组件指标；无GPU训练或能力评测

原始论文总结¶

背景与主要改动¶

多主题文档很难绑定唯一SID路径，早期前缀失误又会永久丢掉相关文档。WeSearch只用簇收缩候选空间，不让簇承担完整语义标识；在并集内对原子文档先粗后精匹配。OPQ旋转和码本参与相关性学习，不能以固定随机量化器代替论文训练。滚动挂载复用已有参数，模型和全量索引刷新则需版本整体切换。

原论文关键图¶

原文Figure2：先选簇，再对原子文档匹配

来自固定v1 HTML Figure2，原图未重绘；版权归原作者所有，论文为arXiv非独占许可。来源和哈希见assets/provenance.json。

flowchart LR
  Q[外部query embedding] --> C[负L2选择簇]
  C --> U[簇内文档并集]
  U --> A[固定OPQ码的ADC查表]
  A --> P[原子文档粗排shortlist]
  P -. 本地未实现 .-> F[训练的特征FFN精排]
  N[新文档embedding] --> M[固定簇和码本分配]
  M --> S[新索引快照 不修改旧版本]

核心公式¶

原文Eq.2–3/13：

\[ \mathcal C_q=\operatorname{TopN}_c(-\|h_q-e_c\|_2),\qquad \mathcal D_q=\bigcup_{c\in\mathcal C_q}\mathcal D_c. \]

Eq.7–11先旋转、分子空间，逐块选最近码字，拼接得到旋转空间重构。Eq.26 ADC是平方距离的查表求和：

\[ T_{j,k}=\|(Rh_q)^{(j)}-b_{j,k}\|_2^2,\qquad D(q,d)=\sum_jT_{j,z_d^{(j)}}=\|Rh_q-\widehat h_d\|_2^2. \]

粗排Eq.15的分数是\(-\sqrt D\)，而不是负平方距离本身；排序相同不意味着数值阈值相同。本地实现保留该区别。码本/旋转由调用者提供，不训练OPQ或RQ-KMeans。

论文离线与线上效果¶

正文6.5.2/Table5：生产基线对照、一个月全流量A/B，CTR相对+0.68%、人均文章点击+2.27%、停留+0.71%，报告\(p<0.05\)。整体系统资源-41%、图文召回延迟-19ms；这些是原文完整系统结果，不是本地组件结果，也不能归因于ADC单独实现。

本地复现与边界¶

PYTHONPATH=src python -c 'from auto_research.reproductions.wesearch_components import diagnostic; print(diagnostic(42))'

数据协议与结果解释¶

只用固定种子42/43/44生成小矩阵，验证ADC与显式重构距离相等、候选并集、粗排顺序、输入非法码拒绝及快照隔离。不是公开检索benchmark，不含训练/验证/测试候选调参，更不是推荐质量比较。平局以稳定簇序/文档ID决定，属于本地可复现约定。

代码映射¶

quantize/reconstruct对应Eq.7–11；adc_squared_distance对应Eq.26；candidates/coarse_shortlist对应Algorithm1步骤5–8；mount只实现固定参数的新快照构造。新快照可见性的原子切换由外部存储负责，本地不声称分布式原子性。

高成本完整实验¶

Section6.1.1的数亿至数十亿私有文档、千万新文档、行为/满意度教师、生产query encoder/FFN与多轮训练和一个月A/B超出单卡A100/A30、Mac可负担范围。作者未给完整GPU小时，不虚构本地估算值。成本过高，不复现（审查 DONE）；不下载模型/语料，不自动重试。CPU组件通过不等于查询编码器、FFN、词法树或整个服务系统复现。