面向增强查询意图理解的 Agentic 多源依据对齐：DoorDash 案例研究

把用户查询准确映射到商家类目是多类目市场平台面临的基础信息检索挑战，“Wildflower”这类上下文稀疏的查询表现出意图歧义，可同时指连锁餐厅、零售商品和花卉。传统分类器强制赢者通吃的归属，而通用 LLM 会幻觉出不存在的库存。我们提出一个 Agentic 多源接地系统，通过把 LLM 推理接地于（i）分阶段的目录实体检索流水线和（ii）为冷启动查询自主调用的 Agentic 网页搜索工具，来应对这两种失败模式。模型不预测单一标签，而是输出有序的多意图集合，由一个可配置的消歧层解析，该层应用确定性的业务策略，并被设计为可扩展到个性化信号。这种解耦设计可跨领域泛化，任何市场平台都能提供自己的接地来源与解析规则而无需修改核心架构。在 DoorDash 的多垂直搜索平台上评估，该系统较未接地的 LLM 基线提升 10.9 个百分点，较旧生产系统提升 4.6 个百分点。在长尾查询上，增量消融把 8.3 个百分点归因于目录接地、3.2 个百分点归因于 Agentic 网页搜索接地、1.5 个百分点归因于双重意图消歧，最终达到 90.7% 准确率（较基线高 13.0 个百分点）。该系统已部署于生产环境，服务超过 95% 的每日搜索曝光，并为需要以专有情境和实时网络知识接地基础模型、从而在大规模上解决歧义且上下文稀疏决策问题的应用确立了一个可泛化的范式。