AI 推荐系统工程化

一、传统推荐 vs AI 推荐

传统推荐（协同过滤 / 矩阵分解）核心是「找相似用户 / 相似物品」；AI 推荐多了一层「意图理解」。

用户搜「便宜的笔记本」时：

• 传统：召回包含「便宜」「笔记本」的商品
• AI：理解「学生 / 预算 4000 以内 / 办公为主」，召回符合真实意图的商品

二、典型架构（4 层）

[用户输入]
   ↓
[意图理解层]   ← LLM 抽取意图、约束、偏好
   ↓
[召回层]       ← 向量召回 + 关键词召回 + 协同过滤
   ↓
[排序层]       ← LLM Rerank / 业务规则
   ↓
[输出层]       ← 解释生成 + 推荐结果

三、关键组件

1. 意图理解层

用 LLM 把模糊输入转成结构化 query：

{
  "intent": "购买笔记本",
  "constraints": { "price": "<4000", "用途": "办公" },
  "preferences": ["轻薄", "续航长"]
}

2. 召回层

• 向量召回：把商品描述转向量，与意图向量做相似度
• 关键词召回：保留传统倒排索引兜底
• 协同过滤：用户行为数据补充
• 混合召回：3 路召回结果按权重融合

3. 排序层

用 LLM 直接做 Rerank：

[用户意图] + [候选 20 个商品] → LLM 输出 Top 5 + 推荐理由

4. 输出层

带「推荐理由」的结果，比纯列表点击率高 30%+：

推荐：联想小新 Pro 14（4299 元） 理由：你提到「办公 + 轻薄」，这款 14 寸 1.4kg、续航 12h，价格略超预算 300 元但综合性价比最优。

四、数据闭环

1. 用户点击 / 加购 / 下单 → 反馈给排序层
2. 用户反馈「不喜欢」→ 调整召回权重
3. 长期数据训练业务专属 Reranker

五、评测体系

六、常见坑

1. 意图理解过度：简单问题别上 LLM，关键词搜索更快
2. 召回不够多样：纯向量召回容易扎堆，必须多路融合
3. Rerank 成本失控：每次请求都调 LLM 太贵，用 Semantic Cache
4. 评测脱离业务：只看 Recall 不看转化率，会优化错方向

七、最小可行版本（1 周落地）

1. 用 OpenAI / DeepSeek API 做意图理解
2. 用 pgvector / Qdrant 存商品向量（开源够用）
3. 用关键词召回兜底
4. 排序层先用规则，等数据够了再上 LLM Rerank
5. 上线 → 监控转化率 → 迭代

八、总结

AI 推荐不是「换个模型」这么简单，而是把「用户输入 → 业务结果」之间的语义鸿沟用 AI 抹平。先把意图理解做好，比追求最强模型更重要。