行人搜索旨在从真实场景中的未裁剪图像中同时实现目标行人的定位与身份识别。为达成这一目标，当前最先进的模型通常在两阶段检测器（如 Faster R-CNN）的基础上引入重识别（re-id）分支。得益于 ROI-Align 操作，该流水线在特征对齐方面表现优异，使得重识别特征能够精确对应到目标区域，从而获得较高的识别准确率；然而，由于依赖密集的候选框（object anchors），该方法也带来了显著的计算开销。在本工作中，我们提出一种无锚点（anchor-free）的方法，以高效应对这一挑战任务，主要通过以下几项专有设计实现。首先，我们选用无锚点检测器（即 FCOS）作为框架原型。由于无需生成密集的候选框，该设计相较现有行人搜索模型展现出显著更高的计算效率。其次，在将该无锚点检测器直接应用于行人搜索任务时，学习鲁棒的重识别特征面临若干关键挑战，我们将其归纳为多层级的错位问题，包括尺度（scale）、区域（region）和任务（task）三个层面的不一致。为解决上述问题，我们提出一种对齐特征聚合模块（aligned feature aggregation module），用于生成更具区分性与鲁棒性的特征嵌入。基于此，我们将所提出的模型命名为特征对齐行人搜索网络（Feature-Aligned Person Search Network, AlignPS）。第三，通过深入分析锚点式与无锚点模型各自的优劣，我们进一步在 AlignPS 中引入一个 ROI-Align 头，该设计在保持模型高效率的同时，显著增强了重识别特征的鲁棒性。在两个具有挑战性的基准数据集（CUHK-SYSU 与 PRW）上开展的大量实验表明，我们的框架在性能上达到或超越当前最先进水平，同时展现出更高的运行效率。所有源代码、数据集及训练好的模型均已开源，地址为：https://github.com/daodaofr/alignps。