作者 | 搜索技术平台

导读

本文为搜索展现层相关技术，主线会先通过介绍搜索阿拉丁的产品形态，让读者初步了解什么是阿拉丁，及相关展现概念。之后会聚焦场景化产品，场景化是搜索构建沉浸式完美体验（重新组合整页阿拉丁和自然结果）的方案之一，相关检索技术繁多，不能完全覆盖到，本文主要介绍下背后的开发框架支撑 tanGo，会详细介绍下建设过程中的思考、遇到的问题及对应的解决方案。希望读者读完本文，有所收获。

全文 4412 字，预计阅读时间 12 分钟。

01 相关背景介绍

了解下什么是阿拉丁，阿拉丁是百度搜索推出的垂直化产品，用户使用搜索的过程中，提到的如百科、天气、POI、影视、体育、股票、汉语、翻译等等 Query 需求（如下示例了部分产品），都在不同程度的召回阿拉丁产品。

上面是搜索对单需求，需求簇（相同需求的多个单结果聚合）的满足样式，对于更复杂的场景，如高考、奥运会等大事件场景，搜索需要能进行场景的识别，进而召回不同的需求簇。

另技术上垂类部分业务也在做 PHP 迁移 Go，在这样的产品和技术背景下，搜索产研团队孵化设计了 tanGo 业务框架，下面会从需求分析->业务抽象->整体设计及核心能力点抽象逻辑等方面展开，介绍下整个框架建设和应用过程中遇到的一些问题和思考。在此之前集团、搜索也已经积累了一些比较成熟的基础网络框架、 lib （含 cgo）资产，基于这些基础，在实际落地的过程中，也提升了很多效率。一个业务框架，要回答好：为什么做？（解决业务问题）怎么做？（设计、落地）怎么衡量？（指标建设），下面讲下具体实践。

02 需求分析

下面从搜索概念上，理解下场景化产品需要满足的不同场景：

1、单结果：召回 1 条结果，搜索召回的基本单元。比如：资源型召回。查影视、小说等；计算型召回。日历、计算器等。

2、需求簇：相同需求的多个单结果聚合。比如：人物示例『刘德华』里面的百科、人物关系、作品。

3、需求组：多个需求簇的集合。比如：大事件场景高考（主会场、高考日程、批次线、真题、一分一段），每个都是独立的需求簇需求，其他奥运会等大场景都是。

4、结果页：query 对应的整体返回结果。可能包含多需求，即会多个需求组。（例如 q=三亚旅游，即包含旅游需求，也包含金融需求）。

03 tanGo 设计思路与实践

3.1 业务抽象

3.1.1 场景化产品抽象

从展现技术上看，需求簇和需求组均为单结果的集合，纬度粒度不同，整体将检索请求处理过程，抽象为基础的几个阶段，对各阶段实体化抽象。

1、资源：召回摘要的表示单位，这里的资源可能是从各种检索引擎或者数据库检索出的摘要

• 资源实体抽象：前置策略（资源），检索解析（资源），检索召回，数据映射

2、卡片：检索展现的最小单位。完成资源调度召回，组装摘要到前端模板的映射

• 卡片实体抽象：前置策略（卡），检索解析（卡），资源召回调度（负责卡片下的资源列表的图化调度），前端模板组装

3、场景：检索需要依据 query 解析识别出要展示的子场景，完成不同的需求组的召回

• 调度层：请求级

• 场景实体抽象：请求前置策略，Q 解析场景计算，卡片调度（负责执行需求簇下卡片集合图化调度），召回后置策略，组织回包

3.1.2 框架建设技术思路

业务流程处理标准化，处理流程核心考虑点

1、协议转换

• 支持 http/nshead 等多种协议

• 支持 pb/json 等多种数据协议转换

• 考虑同步、异步检索，能力覆盖结果页、异步情景页、小程序、独立站等开发场景

2、配置化：考虑运维成本，检索请求配置化，可视化

3、组件化，算子化：方便后续共建

4、图化资源调度：卡片调度、资源调度

建立标准化组件共建机制

1、定义标准化数据、检索、策略组件接口

2、组件贡献机制

建立标准化类库共建机制

1、标准 Lib 贡献标准。比如：抽样、DAG、Trace、算法、字符串、协议转换、加减密等等

2、标准 Lib 索引页

其他关键点

1、开发阶段：一键生成、可视化编程、用户手册提升研发效率

2、测试阶段：编译加速、QATest、0 级拦截等保障交付

3、上线后：监控体系配套：建设普罗米修斯，业务、下游、检索调度等面板

3.1.3 衡量指标

规模：

• 应用规模，团队覆盖面

效率：

• 新项目创建成本

• 新产品交付周期

• 新人培养学习成本

• 通用组件、Lib 的数量，及组件沉淀带来的代码行数节约

• 团队效率，团队交付效率的提升反馈

用户满意度：

• NPS，定期的用户满意度反馈

3.2 框架技术框图

基于前面对业务场景的抽象和技术抽象，构建了如下框架建设框图。主要核心点：

1、易用性：端到端打造工具链

2、框架分层结构：业务流程、组件、Lib

3、业务流程：同步检索、异步检索、数据处理

3.3 核心点设计

3.3.1 检索流程设计

设计目标：

一套标准处理流程，抽象检索各阶段

• 请求级处理

• 卡片级处理

• 资源级处理

上图是检索请求的处理过程，各阶段以组件形式组织，组件为架构和业务同学共同开发，不同类型组件在检索的各个的阶段会被调度，业务同学可专注领域组件的研发，其他协议的封装转换框架研发统一提供和对接。

3.3.2 配置化设计

设计目标：

• 检索过程需在一份配置即可描述

• 控制学习成本，语法必须简洁、简单

关键技术点：

• 流程拓扑抽象：三层拓扑（策略、卡片、资源）

• 组件管理：实现对组件的生命周期的管理和同时对 gc 友好，使用了 go 反射、对象池等原生能力

• 配置热加载：实现配置的动态更新

上图是对不同阶段组件配置化的具体化示例，配置化带来的优点：检索过程透明可见；运维成本可控；学习和接受成本低。

3.3.3 资源调度设计

从前面介绍到的场景化处理流程、配置化中可见，在场景计算过程中的卡片调度，卡片处理过程中的资源调度，都用到了串并行拓扑调度，因为需要为框架设计一套简易 DAG 执行引擎。

设计目标：

1、基于 DAG ，设计一套简易语法规则，实现资源调度引擎

2、可以对程序异常、超时等进行捕获和错误信息记录

关键技术点：

1、设计一套简易满足需求的 DAG 规则语法

• 基础的流程控制：串行、并行、条件控制语法

• 异常控制：程序异常、超时等捕获处理

• 语法简单，上手成本低

2、DAG 调度引擎：基于配置的 DAG 规则执行图谱调度

从图上，可以看到检索请求的处理过程中，会根据用户场景的需求识别，进行着场景、卡片的图化调度，以实现用户对复杂需求的召回响应，组件之间通过上下文串联通信。

3.3.4 共建机制打造

检索流程设计时，考虑框架的可持续性和可扩展性，提取抽象出了组件的概念，上面检索流程处理里面，在不同的阶段调度着各种处理组件响应检索，包含请求级、卡片级、资源级，这些都是可扩展的调度阶段。

整体思路，如图拆分为 2 类组件，架构和业务共同建设，最大程度的实现可复用、且业务可扩展。

1、架构组件，通用场景，架构统一抽象，最大化垂类之间可复用

2、业务组件，业务根据自己的业务场景自定义的组件

3.3.5 易用性打造

完成了框架的建设后，面临怎么做才能更贴近业务，怎么才能更易用？下面是在易用性方向的建设。

易用性是落地和规模化非常重要的一步，需要站在一线研发视角，端到端看交付全流程问题，然后针对各阶段的问题，配套建设工具链，提高运行效率。

上图是研发不同的阶段，框架团队提供的部分支持，一方面是保障接入、开发效率，同时也积极的例行收集反馈，以更好的改进完善。

04 结论以及展望

本文从介绍搜索阿拉丁产品形态开始，延伸出场景化，并基于搜索场景化产品特点，抽象了 tanGo 框架。接下来聚焦系统详细的分享了 tanGo 框架的技术设计思路与实践，并尽可能表达了其中的核心思考和核心设计点，篇幅不能覆盖所有的设计点，框架也仍然有缺点和不足，后续会持续的进行优化迭代。

后续，框架会更多聚焦产研“全流程”，通过完善框架的能力，对整个研发、测试阶段、上线后进行更全面的支持和覆盖，例如框架通过与代码托管服务的整合，在创建代码库阶段就提升易用性，编译发布标准化，框架与持续集成服务整合，提升上线后可测性等等能力，对研发全流程覆盖的更全面。

一个项目从需求构建到工程落地，再到应用及规模化，各个阶段，细节问题还是比较多的，大家如感兴趣搜索阿拉丁产品或者感兴趣搜索展现技术问题，可以留言交流。

目前『搜索产品研发工程师』岗位正在热招，主要为搜索产研后端，AI 应用与架构方向工作。

欢迎有兴趣的同学投递简历至 yangye01@baidu.com

——END——

推荐阅读

初识搜索：百度搜索产品经理的第一课

智能问答技术在百度搜索中的应用

通过Python脚本支持OC代码重构实践（一）：模块调用关系分析

CVPR2023优秀论文 | AIGC伪造图像鉴别算法泛化性缺失问题分析

一文搞定专属码的设计与开发