Tradisjonell tuning av søkerelevans er et maraton der søkeeksperter justerer query-vekter i månedsvis. OpenSearch-prosjektet flipper modellen i versjon 3.6 (5. mai 2026) med Relevance Agent: en orkestrator styrer tre spesialiserte agenter som kjører hele løkka, fra analyse av brukerklikk til hypotesegenerering og automatisert offline-validering.
Systemet snakker med søkemotoren utelukkende gjennom OpenSearch sin MCP-server. Det er et bevisst arkitekturvalg: deterministiske verktøy regner ut metrikker, mens språkmodellen kun tar beslutninger. Resultatet er at hallusinerte tall i KPIer reduseres, fordi tallknusingen aldri skjer i LLM-laget.
«Erstatter intuisjonsbasert tuning med automatisert evaluering og valideringsløkker.» — OpenSearch-teamet, lanseringspost
For utviklere som allerede bygger søk på OpenSearch er terskelen lav. Quickstart-skriptet trenger Java 21, Node 20, Python 3.12 og uv-pakkebehandler, samt Bedrock-tilgang for LLM-en. UBI-data (User Behavior Insights) gir dypere tuning, men er ikke påkrevd for å komme i gang. Nåværende versjon optimaliserer på query-DSL-nivå (felt-vekting, boost-funksjoner). Senere kommer schema-evolusjon, hybrid-søk-tuning og automatisert Learning to Rank.
Agent-arkitekturen er bygget på Strands SDK og bruker AG-UI-standarden mot Dashboards-chat. Det betyr at samme mønster kan utvides med egne agenter senere, ikke bare relevance-tuning.
Hva bør du gjøre?
- Klon repoet opensearch-project/opensearch-agent-server hvis du allerede kjører OpenSearch i prod og ønsker å eksperimentere uten å røre live-klyngen.
- Sjekk om du logger UBI-data i dag. Uten klikk- og adferdsdata får agenten mindre å jobbe med. Implementér UBI-pluginen først hvis du vil ha mest verdi.
- Hold utenfor produksjon foreløpig. Agent Server er merket eksperimentell i 3.6. Bruk den til å produsere tuning-forslag du selv vurderer før utrulling.