过去怎样进入当下

一份信息能够被定位，不代表它回答当前需要；回答了当前需要，也还要有人或某种机制真正使用它。这个方向研究地址、匹配、相关性与使用怎样接上。

需求改变，相关性也会改变

同一条“接口 v1 的调用方式”，对维护 v1 的人可能直接相关，对寻找 v2 迁移方案的人可能只是背景。信息没有消失，当前需要它承担的作用变了。我们因此把相关性理解为需要说明条件的关系，而不把它当成文档永久拥有的标签。

IR 教材的评价章节把信息需求、文档集合和相关性判断放在评价的前提中。AMS 据此采用的研究动作是：在比较检索方法之前，先让“要找到什么”与“按什么算找到”可被检查。

三种可以分别变好的东西

一个近似索引可以更准确地恢复给定表示下的近邻；一种表示可以把相关内容放得更近；一个使用过程可以更好地消费已经取得的证据。这三种改进可以相互帮助，也可能留下各自的瓶颈。

两个 recall 的演算提供一个有限而清楚的例子：完全找回精确邻居，仍然可能漏掉需求相关文档。这时继续修索引近似度不会解除设定中的差距，需要检查表示或评价对象。这个例子没有判定现实检索错误的主要来源。

候选竞争研究又把名额与冗余带进来：候选还在，重复记录仍可能改变谁进入有限预算。这使选择成为值得独立研究的机制，而不只是检索之后的一步整理。

让一个查询长出问题

学习 IR 可以从 jieba、BM25、embedding 开始，也可以从一个查询为什么找错开始。先把文本单位、评分、访问结构和评价拆清，再沿真正改变理解的地方深入：相关性如何标注，训练正负例如何形成，词项约束与语义泛化何时互补，排序怎样处理冗余。

需要跨向 agent 时，再观察候选如何进入工作状态、被赋予什么角色、是否改变判断。任务效用要求新的证据，不能从检索分数直接继承。但基础 IR 不必每次都完成这一步；理解相关性本身就是成果。

当前判断与未解处

当前最有用的研究原则是保持评价对象清楚，并在相邻环节之间做可检查的比较。它帮助我们判断下一次应该查来源、补概念、换表示、检查候选，还是研究使用机制。

下一条值得继续的线索是：训练时的“相关”，与真实情境里的“有用”，在哪些条件下能够相互支持？ 先对齐一项方法的监督对象和一个真实任务的信息需求，会比直接排列模型分数更有解释力。来源不足时保留问题，不用泛化的“语义更好”填空。