这是 Beta 探索课程，内容结构、实验步骤和示例可能会继续调整。
设计原则
设计视频推荐流时踩过的坑，让我总结出几条可以复用到其他系统的原则。
1. 内容供给先行
原则
没有可靠的内容链路，再强的算法也无米下锅。实践
推荐系统只消费 recommendable 状态的内容。视频要经过上传、转码、审核、发布才能进入推荐池。推荐服务要感知转码、审核和 CDN 状态，避免推荐不可播放的坏内容。内容供给是推荐系统的上游，必须先稳定。
2. 反馈闭环完整
原则
推荐 -> 曝光 -> 行为 -> 特征 -> 下一次推荐，闭环不能断。实践
曝光日志是最基础的数据。没有曝光，就无法区分”没点击”是没看到还是不感兴趣。行为要分权重：完播、点赞、关注是正反馈，快速划走、举报是负反馈。所有行为回流到特征平台，支撑下一轮优化。
3. 多路召回
原则
不要让排序模型面对所有视频，用多路召回缩小候选集。实践
关注、热门、兴趣、相似、协同过滤、探索多通道召回，兼顾相关性、热度、新鲜度和多样性。召回通道要有配额控制，否则热门会占满候选集，个性和长尾内容没有机会。召回决定了排序的上限。
4. 多目标平衡
原则
不要只优化点击率，推荐流有多个目标。实践
点击率、完播率、点赞率、投诉风险、内容多样性都要进入评估。只优化点击率可能推送标题党，只优化完播率可能偏向短视频。排序分组合多个目标，权重通过实验调整，同时设置护栏指标。
5. 冷启动是产品问题
原则
新用户和新视频的冷启动，决定留存和生态。实践
新用户没有行为历史，用地域、语言、热门和编辑精选起步；新视频进入小流量探索池，根据内容相似度参与召回。新用户前几十条推荐会决定是否留下，新作者没有曝光机会，内容生态会退化。
6. 重排是工程与模型的结合
原则
模型打分之后，还需要工程规则做重排。实践
去掉已曝光视频、控制同作者连续出现、控制同题材过度集中、插入探索内容、过滤审核风险。重排能显著改善体验，但规则太多会让系统难以解释，要保持克制。
7. 播放体验是底线
原则
推荐结果再好，视频加载慢用户也会离开。实践
首帧时间是最敏感的体验指标。下一条视频提前预加载、优先加载封面和前几个分片、根据网络选择初始码率、热门视频 CDN 预热。分发状态（转码未完成、回源异常）应该影响推荐决策。
8. 实验驱动迭代
原则
策略是否上线，由 A/B 实验和护栏指标决定。实践
离线指标只能说明模型可能更好，最终看线上留存、完播、互动、投诉和内容生态。一个策略即使提升点击率，如果显著增加投诉或低质内容曝光，也不能上线。实验要能追踪策略版本和用户分组。
视频推荐流设计 checklist
内容与分发：
✓ 视频只有转码完成、审核通过后进入推荐池
✓ 播放 URL 稳定，CDN 命中率和首帧时间可监控
✓ 低质、违规、重复内容可过滤和降权
推荐链路：
✓ Feed 使用游标分页和曝光去重
✓ 召回通道有配额、去重和质量监控
✓ 排序多目标并设置护栏指标
反馈与实验：
✓ 记录曝光、播放、完播、跳过、举报行为
✓ A/B 实验追踪策略版本和用户分组
✓ 行为数据完整回流支撑下一轮优化记住：
- 推荐系统是数据闭环，不只是模型
- 内容、分发、推荐、反馈四条链路缺一不可
- 用实验验证策略，用护栏守护体验