TenderHack 2026 冠军方案解读：基于多策略融合的 AI 智能搜索系统架构

本文解读TenderHack2026黑客松冠军项目smart-search-system，这是Ir0n Chain团队开发的面向电商采购场景的多策略AI搜索系统。系统解决拼写错误容错、同义词理解、个性化结果排序三大难题，采用微服务架构支持本地化部署，融合多种搜索技术，为企业级语义搜索平台提供完整技术参考。

系统核心目标是解决电商搜索三大难题：拼写错误容错、同义词理解、个性化排序。团队分析真实业务数据发现：平台用户中位数约200个已签合同，160个独立SKU，重复采购率仅18%，用户为明确采购需求的"清单型买家"。基于此，系统设计重心放在上下文感知，理解用户业务领域与历史采购模式，实现个性化搜索。

项目采用微服务架构，通过Docker Compose一键部署，核心组件包括：前端服务（3000端口）、Go Fiber后端API（8080端口）、ML推理服务（8000端口）、PostgreSQL数据库、MinIO对象存储、Qdrant向量数据库、Ollama本地LLM。所有服务可本地部署，不依赖外部API，适合数据敏感型企业。技术栈选用Go Fiber、PostgreSQL、MinIO、Qdrant等，各司其职。

系统融合五种互补技术：

1. 拼写纠错：采用莱文斯坦距离算法，实时纠正输入错误；
2. 语义搜索：将查询与商品编码为向量，通过Qdrant向量库实现语义匹配；
3. 形态学搜索：词形还原结合TF-IDF，处理形态丰富语言（如俄语）；
4. 用户领域匹配：构建用户画像向量，计算与商品领域匹配度；
5. 历史采购相似度：基于协同过滤，提升与用户历史采购相似商品的排序权重。

系统支持三种重排序配置模式：

• 纯文本场景：BM25初筛 + CatBoostRanker重排序，特征含TF-IDF、BM25分数等；
• 文本+向量场景：双塔检索召回 + CatBoost/LightGBM重排序，特征扩展至向量相似度、价格等；
• 完整画像场景：融入用户向量特征，使用余弦相似度、点积等，数据丰富时支持DIN/DIEN序列模型。

系统具备可解释性设计，能向用户展示商品相关性原因，提升信任度与调试效率。此外，实现会话级去重机制，同一会话中忽略的商品不再重复展示，优化用户体验。

部署方面：提供Docker Compose配置，支持生产、ML、模拟三种模式，通过.env文件管理配置，数据库迁移独立服务，各服务配置健康检查。 总结启示：现代搜索需多策略融合；个性化应深度融入排序；可解释性与本地化部署重要；建议渐进式演进：从BM25+CatBoost基线，逐步引入向量搜索，最后用深度序列模型。