建议降低输入成本并示范可搜内容
别名: 自动补全 · query suggestion · 搜索建议
概念解释
搜索框下拉里的建议（query suggestion / autocomplete）同时干两件不同的事。一件是补全：前缀已经敲了「差旅」，把后面的字补上，少敲几次。另一件是示范：用若干完整、真实被搜过或真实存在的说法，告诉用户「这里面有什么、那些东西被叫什么」。Hearst 把自动补全写成既减少击键、又提供查询语言的即时样本。两件事共用一个列表，但成功标准不一样——少击键看的是选中一条建议比写完更快；示范看的是用户是否从列表里学到一个自己原本写不出来的词。
建议不是结果。点建议仍应走到结果页，而不是直接打开某一条文档，否则示范变成了导航捷径，列表的语义被偷换。
机制
查询构造的成本高，是因为词要从记忆里生成。建议把生成改成再认：看见「差旅报销制度」比从空白里回忆出「制度」两个字便宜。再认还能越过词汇问题——用户只会写「报销」，列表里出现「差旅报销」，等于把索引语言提前展示，短查询在提交前就被拉长到可区分的程度。
示范要成立，列表必须是集合的诚实样本。全是热门词，冷门但真实存在的类型永远不会被示范，用户会以为那些类型搜不到。全是历史查询，示范的是「我以前搜过什么」，不是「这里有什么」。前缀匹配解决的是击键；覆盖多样类型解决的是气味——每一条建议都是「继续往这个方向搜会有东西」的证据。
怎么研究
把「少打了多少字」和「有没有学到可搜的说法」分成两个因变量，不要用点击率一个数代表建议成功。
- 范式：击键节省（选建议 vs 写完）与词汇习得（看过建议后能否独立写出完整说法）；查询日志里建议点击后的查询长度变化；Hearst 对 autocomplete 作为查询辅助的讨论。
- 自变量：建议来源（前缀补全 / 热门查询 / 内容标题）、列表是否覆盖多种内容类型、空前缀时是否展示示范。
- 因变量：完成查询的击键数、建议点击率、点击后是否命中原本叫不出名的目标、用户能否指出「这里还能搜哪类东西」。
- 方法论注意点：高点击率可能只是热门项被点得勤，不证明示范了覆盖面。实验室若任务书已写出完整名称，建议只在比击键，示范功能被关掉。空前缀下的「猜你想搜」测的是推荐，不是补全，要分开报。
边界
已知项且线索是编号、错误码这类必须写对的字面时，示范热门词会抢注意力，补全应按字面前缀，不要插入「大家都在搜」。隐私敏感的查询（姓名、病历、未公开项目）被拿来当热门示范会泄露，示范源要过滤。集合极小、标题已经全部可见时，建议的示范价值接近零，只留下补全。输入法自己的候选条和搜索建议叠在一起时，示范会被输入法挡掉，移动端尤其明显。
怎么落地
- 列表同时服务两种成功：前缀命中的补全放前面，后面留出不同内容类型的完整说法，避免十条全是同一热词的变体。
- 用真实标题或真实高频合法查询做示范，不用内部字段名；每条应能让人预判搜下去会得到哪类对象。
- 点建议只填充或提交查询，不直接跳进某条详情，以保持「这是查询，不是结果」。
- 验证：找一个叫不出标准标题的人，看他能否从建议里挑出后来证明存在的说法。只能省字、学不到新词，示范没发生；建议全是他本来就会写的热词，列表只是在加速已知项，没有展示集合。