当 AI 进入推荐系统：从“推什么”到“怎么选”

📌 一句话摘要

本文探索在推荐系统排序之后，利用大模型构建游戏理解与表达层，将推荐从“推什么”推进到“帮用户看懂差异、完成选择”。

📝 详细摘要

文章分享了 vivo 互联网产品团队在游戏分发场景下的实践探索。核心问题是：推荐排序已足够精准，但用户面对多款相似游戏时仍难以抉择。团队没有重做推荐系统，而是在排序之后补上了一层“表达与决策”能力。做法是先利用大模型进行开放式探索，挖掘出传统标签体系缺失的“游戏动机”与“付费机制”等深层信息，再通过人工收敛为闭集 Schema，并辅以工程化兜底（normalize），实现稳定生产。在此基础上，文章深入探讨了大模型对单款游戏底层逻辑的理解上限，并重点介绍了“多游对比”系统如何从一次性的成功走向可配置、可复用的稳定生产管线。最后，文章展示了同一套理解能力在推荐解释、场景化引导等方向的复用潜力，并总结了 AI 的边界、可复用的工程经验以及产品视角的变化。

💡 主要观点

- 推荐系统的瓶颈已从“推得准不准”转向“用户能否看懂差异并做出选择”。 在游戏这类高决策成本场景中，排序优化边际收益递减，用户需要的是可解释、可比较的信息来走完选择的最后一步。

大模型的价值在于发现信息增量，而工程约束的价值在于稳定输出。 团队采用“模型放开探索 → 撞出边界 → 人工收敛成 Schema → 规模化生产”的路径，用闭集 Schema 和 normalize 层解决了模型输出不稳定的问题。

多游对比系统的核心是先锁死“必须产出什么”，再让结构保证产出。 通过品类配置（core_dimensions， expression_schema， highlight_priority）驱动模型，确保跨品类对比信息对齐且稳定，避免了复杂化 pipeline 吃掉价值的陷阱。

AI 将“系统结构”本身变成了产品设计的一部分。 像 core_dimensions、expression_schema 这类配置，既是工程实现，又直接决定了用户看到什么，模糊了传统 PM 与工程、策略与体验的分工边界。

AI 的边界在于“事实来自数据，表达来自模型”。 模型只负责理解、归纳和表达，不创造事实或替代排序，这条边界确保了系统的可解释性与可追溯性。

💬 文章金句

- 排序解决的是“推什么”，它并不负责让用户看懂差异；而当候选池越收越窄，再优化排序的边际收益也越来越小。真正没被接住的那一步，不是“推得准不准”，是“看懂差异、把选择走完”。

• 自由生成是大模型的能力上限，稳定输出得靠约束。
• 复杂化本身会吃掉价值。加 pipeline 不是天然的进步——只有当它产出的东西不比直出版本少、还能稳定复现，才算进步。
• AI 没让产品设计变简单，它把“系统结构”本身变成了产品的一部分。

📊 文章信息

AI 初评：90

来源：vivo互联网技术

作者：vivo互联网技术

分类：人工智能

语言：中文

阅读时间：30 分钟

字数：7438

标签： AI产品与应用, 推荐系统, LLM, AI工作流, 产品管理

阅读完整文章