전통적인 검색 시스템은 쿼리(Query)와 엄격하게 일치하는 아이템을 검색하도록 최적화되어 있으며, 종종 재현율(Recall)보다 정밀도(Precision)를 우선시합니다. 이커머스 마켓플레이스, 특히 식료품 분야에서 이러한 패러다임은 제한적입니다. 사용자 만족도와 상업적 결과가 대체재, 보완재 및 주제 관련 아이템의 발견 가능성(Discoverability)에 크게 의존하기 때문입니다. 본 논문에서는 의도 조건부 재현율 확장(Intent-conditioned recall expansion)을 활용하는 발견 증강 검색(Discovery-augmented search)을 위한 확장 가능한 시스템을 제시합니다. 우리의 접근 방식은 관련성을 유지하면서 후보 재현율을 확장하기 위해 암시적 사용자 의도(Implicit user intents)를 생성합니다. 이 시스템은 2단계 하이브리드 아키텍처를 통해 생성형 검색(Generative retrieval)의 비용-품질 트레이드오프(Cost-quality tradeoff) 문제를 해결합니다. 먼저, 헤드 쿼리(Head queries)에 대한 발견 가능성을 극대화하기 위해 폐쇄형 가중치 대규모 언어 모델(Closed-weight LLMs)을 활용합니다. 이러한 이점을 테일 쿼리(Tail queries)로 확장하기 위해, LoRA 어댑터와 교사-학생 증류(Teacher-student distillation)를 통해 학습된 미세 조정된 소형 언어 모델(Finetuned SLM)을 도입합니다. 우리는 엄격한 이중 프레임워크를 사용하여 시스템을 평가합니다: (a) 의미론적 품질에 대해 인간의 선호도와 검증된 LLM-as-a-judge 지표, (b) 엔드투엔드 세션 수준 구매 분석. 결과에 따르면 우리의 접근 방식은 의도 생성 품질과 다운스트림 검색 효과를 모두 개선하며, 교사 모델(Teacher model) 추론 비용의 약 30% 수준에서 쿼리 트래픽의 발견 범위를 약 60%에서 80%로 확장하여 대규모 마켓플레이스 배포를 위한 실행 가능한 경로를 제공합니다. 관련성 이득을 넘어, 발견 증강 검색은 롱테일(Long-tail) 및 신규 공급업체에 쿼리 조건부 노출 기회를 제공함으로써 마켓플레이스 균형 메커니즘 역할을 할 수 있습니다.