拆解 DoorDash、Instacart 与 Uber Eats 的 AI 搜索架构差异
Pavan_Belagatti · x · 2026-08-01
这篇推文深入对比了三大外卖与生鲜平台在处理用户搜索（如“健康披萨”）时，底层 AI 与 LLM 架构的截然不同的设计思路：
- DoorDash：保留了经典的检索架构。主要在线下使用 LLM 来丰富现有的知识图谱，并在运行时采用一种“倒置 RAG”的方法作为护栏，以安全地解析用户查询。
- Instacart：采用流量分流策略。高频常见查询命中经过深度上下文工程处理的离线 RAG 缓存；而冷启动的“长尾”查询则交由微调过的 Llama-3-8B 模型进行实时处理。
- Uber Eats：深度应用向量搜索。他们微调了一个 Qwen 大语言模型作为嵌入骨干，采用双塔模型架构，实时对查询进行向量化，并与预计算的文档向量进行匹配。
「研究」频道最新
- 斯坦福教授探讨高速互联技术：Scaling 趋势或将见顶 — jwt0625 · 2026-08-01
- Google 新论文 FLARE：注意力机制降耗 600 倍，或助力端侧大模型 — dejanseo · 2026-08-01
- ICLR 27新规：主席无需长篇总结，官方呼吁慎用LLM — danish037 · 2026-08-01
- 论文速递：基于迹形式熵的镜像下降与指数梯度新算法 — FrnkNlsn · 2026-08-01
- 不足1B参数反超8B：Light-MER让多模态情感识别跑在边缘设备 — 新智元 · 2026-08-01
- 研究者称上下文MoE可廉价转为纯查找模型，寻求算力资助 — breath_mirror · 2026-08-01