Dear Algo：面向统一搜索与推荐的精准优先Agentic意图层

搜索与推荐服务于共同的发现目标，但对意图的编码方式不同。我们通过Threads上的Dear Algo来研究这一边界，这是一个已部署的产品：诸如更多NBA新闻或少些政治之类的开放式请求会引导后续的信息流推荐，而不是返回一次性的结果列表。其Agentic意图层把显式、推断、否定与复合意图编译为有依据的可执行计划，然后调用常规检索以及可选的语义或多模态重排。该层共享一个意图到检索的契约，而不要求在类搜索与类推荐模式之间使用同一个模型或同一条服务路径。我们在精准优先目标下评估Dear Algo。在一项对300个公开请求-条目对（296个可评估）的盲评审计中，严格的类别化LLM-as-a-judge闸门达到94.4%的精确Relevant精确率[88.8%, 98.9%]。在72个归一化请求簇上，完整配置在20个槽位中产生7.73个达到评审标准的候选，而LLM派生查询基线为6.61，增益1.11 [0.12, 2.12]。在一项仅限重排路径前72个合格小时、按候选随机化的服务路径研究中，被判定的准入中用户加权的judge-Irrelevant占比为2.80%，对照组为4.78%（-1.97个百分点 [-3.02, -0.94]），而Exact-Relevant占比高出2.24个百分点 [0.08, 4.41]。这些研究共同展示了如何在精准优先评估框架下把显式自然语言意图带入信息流推荐。