随着 大模型 与向量检索技术的飞速发展,传统的纯文本关键词搜索(如基于 BM25 的倒排索引)在面对图片、语音、视频片段及跨模态复杂查询时已显得力不从心。如何构建一个能听、能看、能懂语义的统一智能搜索