面向增强查询意图理解的智能体多源 grounding：DoorDash 案例研究
摘要
准确地将用户查询映射到业务类别是多类别市场信息检索中的基本挑战，此处 context-sparse 查询（例如 "Wildflower"） exhibits intent 含糊不清，同时表示餐厅链、零售产品和花卉物品。传统分类器强制进行 winner-takes-all 分配，而通用大型语言模型会 hallucinate 可用库存之外的选项。我们引入一个智能体多源 grounding 系统，以解决这两种失效模式：该系统通过 (i) 分阶段的目录实体检索管道和 (ii) 为 cold-start 查询 自动调用的智能体 web 搜索工具进行 grounding。该系统不预测单个标签，而是发出有序的 multi-intent 集合，通过可配置的消歧层应用确定性业务策略， designed for extensibility to personalization signals。该解耦设计可跨域通用，允许任何市场提供其自己的 grounding 源和解决规则，而无需修改核心架构。在 DoorDash 的多垂直搜索平台上进行评估，系统相对于 ungrounded LLM baseline 提升了 +10.9pp，相对于 legacy 生产系统提升了 +4.6pp。在 long-tail 查询上，增量消融研究表明，目录 grounding 贡献了 +8.3pp，agentic web search grounding 贡献了 +3.2pp，dual intent 消歧贡献了 +1.5pp，实现 90.7% 的准确率（相对于 baseline 提升 +13.0pp）。该系统已部署在生产环境中，每日服务超过 95% 的搜索展示，并为需要 foundation 模型基于专有上下文和实时 web 知识解决模糊、context-sparse 决策问题的应用建立了通用范式。
引用
@article{arxiv.2603.01486,
title = {Agentic Multi-Source Grounding for Enhanced Query Intent Understanding: A DoorDash Case Study},
author = {Emmanuel Aboah Boateng and Kyle MacDonald and Akshad Viswanathan and Sudeep Das},
journal= {arXiv preprint arXiv:2603.01486},
year = {2026}
}
备注
Accepted at ACM SIGIR 2026. 5 pages, 4 figures