2016年，晨扬以校招生身份入职京东，如今已经成为了搜索相关性团队的技术负责人。过去一年，他带领团队把搜索大盘相关性的Badcase率同比下降32%（整体曝光结果中不相关的商品比例大幅降低）， 并将相关研究发表在国际顶会WWW25上，被同行多次引用。

过去十年，他一直在构建一座“桥”，一端是亿万用户发出的搜索请求，充满了“热腾腾的烟火气”，另一端是算法技术的前沿探索，尖端、高冷。他的使命，是让自己和团队持续成长，把这座桥建得足够坚固、足够智能，并且足够贴近人心，贴近用户的需求。

从“技术理想”到“客户为先”：

什么才是做对的事

刚毕业时的晨扬，对纯粹的技术氛围非常着迷。“大家讨论模型架构、顶会论文，有一种用技术改变世界的理想主义。”

这种理想主义在早期表现为对技术前沿的追逐。2022年，当他开始带团队时，团队习惯于 “先造榔头，再找钉子”—— 优先选择能拥抱前沿技术的课题。团队在模型蒸馏架构、电商持续预训练、全交互学生模型等方向保持了技术锐度，却也筑起了无形的 “技术堡垒”，与产品团队渐行渐远。

“我们并不清楚，离线指标的提升究竟解决了哪些真实的体验问题。” 晨扬坦言。

转变始于对工作价值的重新锚定，但这条路径并非一帆风顺。团队例会上，有工程师反对说：‘我们是技术团队，不是客服支持！花精力解决一堆客服问题，会让我们陷入重复性优化，错失技术跃迁的机会。’”

那段时间，晨扬一边平衡团队的技术追求，一边拿着用户数据说服大家要贴近业务。 他工位旁的条幅上，“客户为先” 被具体诠释为两句话：“决策时不要忘记用户” 和 “做实事、有价值的事、长期的事”。这两句常见的标语，成了他化解分歧、坚定方向的试金石。

“做对的事，首先是方向要对。”晨扬说，“在搜索场景下，就是了解用户真实痛点，用技术去解决这些痛点。” 他坦言，技术人容易陷入的误区是套用 “时髦” 的技术热点，却不了解业务的真实痛点，也说不清楚技术方案为什么能解决痛点。

2025年，随着 “评测驱动技术优化” 迭代模式的建立，晨扬作为搜索体验优化的技术负责人，开始拉通产品、运营、算法等团队协作，坚持“先看清问题，再设计方案”。年底的数据印证了这一转变的价值：搜索相关性用户满意度显著提升，大盘Badcase率同比下降超32%（整体曝光结果中不相关的商品比例大幅降低）。

“没有业务回响的技术提升，只是数字的自嗨。”晨扬总结道，“所有的技术投入，都必须有清晰的逻辑支撑与价值回路。不了解业务的真实痛点，也说不清楚技术方案为什么能解决痛点。这就会落入‘头痛医脚、脚痛医头’的技术决策陷阱。” 这种转变也让团队成员逐渐认可了新的方向。

从“单一优化”到“系统破局”：

如何把事做对

如果说“做对的事”是方向指引，那么“把事做对”就是落地的具体方法论。晨扬将其拆解为三个关键层面。

第一层是“基于有效的问题拆解，自上而下设定OKR。”晨扬认为，技术负责人必须对业务问题了如指掌，形成清晰的问题拆解框架，才能确保技术方案与目标问题之间的针对性。他带领团队建立了搜索相关性问题的三层拆解框架：

• 用户体验层：划分体验问题的严重程度，明确优先级

• 模块归因层：识别待优化模块，明确各团队发力点

• 算法动作层：按照“匹配类问题”和“理解类问题”进行拆解

“当我们对问题原因和技术原理都了解得足够透彻时，长期技术路线一定是稳定的。”晨扬说，“这也有利于团队成员的长期技术沉淀。”

第二层是“通过体系化思考，打破信息孤岛。”“很多时候优化效果不符合预期，都源于我们不了解问题全貌、系统全貌或技术全貌。”晨扬将算法工程师比作 AI Agent——其能力高低很大程度上取决于掌握的Context是否全面。

他举了一个典型案例：用户搜索“ XX 无人机”，结果里却出现了“ XX 红无人机”。表面上是相关性模型误判，但根本原因是系统缺少“ XX 红是一个独立品牌”的知识。

“如果只优化模型，就像在沙子上盖房子。”晨扬说，“必须用体系化思维，打破信息孤岛。”他主动拉通用户画像、商品理解、查询理解三个团队，通过“模型优化+知识注入+链路拦截”的组合策略，不仅解决了问题，更沉淀出一套“发现问题→全链路归因→多方协同闭环”的标准流程。

第三层是“把握范式演进，在关键点做出理性判断。”技术演进史上，搜索相关性经历了从文本统计、词向量建模、深度学习再到大模型的四次范式迭代。晨扬认为，技术负责人最忌讳在做技术选型时“下赌注”。

“应用大模型不是为了追逐时髦，而是为了解决上一代范式无法攻克的‘硬骨头’。”他列举了四个必须转向大模型的理由：开放世界知识的需求、复杂语义推理的挑战、业务规则遵循的需要，以及图文多模态融合的难题。

深入行业脉络

把每个技术点做细做深

在晨扬看来，搜推业务的特点是非常量化的，业务目标明确。但这并不意味着技术工作可以停留在宏观层面。“不能只知道技术概念，但不了解具体路径，术之所长和你业务痛点间具体有什么关系？”

他要求团队深入技术范式的每一个细节：“比如行业对大模型后训练的范式，24年我们重点Follow强化学习，25年围绕Agent展开，26年我们关注Agent和AI Coding ——我甚至希望到26年底，团队都能用AI Agent打通从问题发现、归因到解决的自我闭环。”这种对行业最佳实践的持续收集和总结，让团队始终保持前沿敏感度。

团队在WWW25顶会上（LREF: A Novel LLM-based Relevance Framework for E-commerce Search）发表的相关性大模型框架论文，在晨扬看来不仅是学术成果，更是团队能力建设的体现。

“相关性方向在业界已比较成熟，如何将大模型技术应用进来？我们做了系统规划：从标准层面抽象思维链、拉产品定义 SOP 、做模型对比分析——明确哪些问题传统模型能解决，哪些必须大模型才能解决。”在这个过程中，晨扬不断挑战团队成员：“这些问题够不够抽象？哪些Idea可以包装形成范式、解决一类问题？”

他深刻理解产业界做文章的独特价值：“论文是结果，但过程才是关键——如何让团队形成问题发现、问题归因、体系化思考的能力？写文章的过程，本身就是维持团队技术氛围的过程。”

在这一思考牵引下，团队创新性地将相关性判别建模为思维链推理任务，采用“SFT + Multi-CoT + RL”后训练范式，让模型学会像人一样逐步思考。同时，面对搜索系统苛刻的耗时约束，团队通过深度行业调研，设计了“粗排相关性模型+精排相关性模型+近线Cache”的三级架构，在成本与收益间找到了最佳平衡。

“看问题看得细，Context掌握得全，解决方案的泛化性才能好。”晨扬总结道。这种对细节的执着和对范式的追求，让团队在解决问题的同时，也构建起了可持续进化的技术体系。

征途仍在继续

站在2026年回望，晨扬对“优秀工程师”的理解已超越了纯粹的技术范畴。“技术能力是基础，但唯有与对真实世界的深刻体察相结合，代码才能产生真正温暖人心的力量。”他说，“优秀工程师不仅是技术的建造者，更是问题的翻译者、系统的思考者与价值的守望者。”

窗外，城市的桥梁在暮色中接连亮起灯带。晨扬知道，明天又会有新的“拥堵路段”需要疏解。搜索框是一座桥，而他和他的团队，是这座桥永不停歇的建造者、维护者与优化者。桥已架起，而征途仍在继续。前方，是开放世界知识注入的更大挑战，而晨扬已带着“做对的事”的清晰与“把事做对”的笃定，做好了准备。