关键决策
这一页整理视频推荐流设计过程中遇到的关键决策点，每个决策都说明了问题、对比过的方案和最终选择理由。
决策 1：推荐是否只靠模型
问题
推荐系统是不是只要把排序模型做好就行？
决策
不是。 召回、过滤、重排、治理和实验同样重要。模型只负责对候选集打分，候选集好不好取决于召回通道、配额和过滤规则；展示顺序好不好还取决于重排策略；策略能不能上线取决于实验体系。推荐系统是一个系统工程，不是单点模型。
决策 2：点击率是否是唯一目标
问题
优化目标只看点击率够吗？
决策
不够。 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，只优化停留时长可能牺牲内容健康。要综合点击率、完播率、点赞率、投诉风险、内容多样性，用多目标排序组合，并通过实验设置护栏指标。
决策 3：新视频如何获得机会
问题
新视频没有互动数据，会不会永远得不到推荐？
决策
需要探索流量。 新视频进入小流量探索池，根据内容相似度参与召回，用内容特征（标签、embedding、质量分）弥补没有互动数据的短板。如果不给新内容探索机会，系统会只推荐历史热门，内容生态会退化。
决策 4：视频不可播放怎么办
问题
转码未完成、审核未通过或 CDN 回源异常的视频被推荐了怎么办？
决策
推荐服务要感知内容状态。 视频只有在转码完成、审核通过后进入推荐池；推荐时检查播放资源是否可访问；CDN 回源异常时降级推荐未预热内容。推荐结果好但视频加载不出来，用户照样会离开。
决策 5：高峰期如何降级
问题
特征服务或排序模型超时，Feed 请求怎么办？
决策
降级到缓存、热门或轻量模型。 离线预计算部分特征，在线只查最近行为和少量实时特征；候选集先粗排再精排；超时后返回缓存或热门结果。推荐必须低延迟，模型复杂度不能让 Feed 响应变慢。
决策 6：Feed 分页方式
问题
下一页 Feed 用什么分页？
方案对比
- offset 分页：实现简单，但推荐结果变化时容易重复或漏数据。
- 游标分页：游标包含用户、请求时间、已曝光集合、策略版本和候选池位置。
决策
游标分页。推荐结果会随用户行为、时间和实验策略变化，offset 不稳定。游标分页让服务端能根据上下文生成下一批不重复、不遗漏的结果。
决策 7：实时特征怎么用
问题
用户刚点赞或划走，要不要立刻影响推荐？
决策
要，但要控制在线成本。 实时召回基于最近行为：最近完播某类视频增加相似内容、连续跳过某作者短期降权、刚关注立即召回。实时特征存储在 Redis 或在线特征服务中，保证低延迟；长周期画像和相似关系放离线计算。
决策 8：如何防止指标优化的负面效应
问题
策略优化点击率，结果投诉和低质内容上升怎么办？
决策
设置护栏指标。 实验不仅看点击率、完播等收益指标，还要看投诉率、低质内容曝光率、新作者曝光机会、内容多样性。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，就不能上线。护栏指标和收益指标同等重要。