人搜索（Person Search）旨在从真实场景的非裁剪图像中同时定位并识别查询人员，可被视为行人体检测与行人重识别（re-ID）任务的统一框架。现有大多数方法采用两阶段检测器（如 Faster-RCNN），虽然取得了令人鼓舞的精度表现，但计算开销较高。本文提出了一种新型无锚框（anchor-free）框架——特征对齐人搜索网络（Feature-Aligned Person Search Network, AlignPS），这是首个高效应对该挑战性任务的无锚框方法。AlignPS 明确针对在将无锚框检测器应用于人搜索任务时所面临的多层级错位问题（即尺度、区域与任务层面的错位）进行建模与解决。具体而言，我们设计了一种对齐的特征聚合模块，遵循“重识别优先”（re-id first）的原则，生成更具区分性与鲁棒性的特征嵌入。这一简洁的设计使基准无锚框模型在 CUHK-SYSU 数据集上的 mAP 指标提升超过 20%。此外，AlignPS 在性能上超越了当前最先进的两阶段方法，同时具备更高的运行速度。代码已开源，地址为：https://github.com/daodaofr/AlignPS