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。
视频推荐流的目标与边界
一个刷视频的夜晚
用户打开 App，首页自动播放第一条视频。向上滑动，下一条必须立刻出现，而且最好「刚好感兴趣」。
如果等待太久，用户会退出；如果连续几条都不感兴趣，用户也会离开。视频推荐流的体验，是由「下一条是什么」和「下一条多快出现」共同决定的。
推荐流的目标不是把「最热门视频」塞给所有人——那样只会制造千篇一律的信息茧房。它的真正目标是：在低延迟下，持续给每个用户提供合适内容。
推荐流要解决什么
一个生产级视频推荐流，至少要解决六类问题：
| 问题 | 内容 | 对应章节 |
|---|---|---|
| 内容供给 | 上传、转码、审核、入库 | 视频上传 |
| 播放体验 | CDN 加载、首帧延迟 | CDN 分发 |
| 候选生成 | 从海量视频挑出候选 | Feed 流召回 |
| 个性化排序 | 按兴趣 / 质量 / 目标排序 | 排序优化 |
| 反馈闭环 | 曝光、行为回流优化 | 推荐算法 |
| 治理 | 低质、重复、违规、沉迷控制 | 完整系统 |
系统的边界
推荐流不是一个「算法」，而是一个持续反馈的系统：
推荐系统的反馈闭环
内容被推荐召回 + 排序 + 重排
→
用户看到曝光记录曝光日志
→
产生行为完播 / 点赞 / 跳过
→
行为变成数据实时 + 离线特征
数据影响下一次推荐 —— 闭环由此形成
关键：任何一环断裂，闭环就会失效——不记录曝光，就无法区分「没看到」与「不喜欢」； 不回流行为，下一次推荐就得不到改进。先跑通闭环，再谈优化算法。
- 没有内容供给，推荐会枯竭。
- 没有分发，播放体验拖垮留存。
- 没有反馈，推荐无法个性化。
- 没有治理，系统会劣化。
复杂度在协同
单看任何一环都不复杂：上传有现成方案，排序模型有开源实现。真正的复杂度在于它们如何协同：
- 转码中的视频不能被推荐（状态感知）。
- CDN 回源异常时不能大规模推（分发感知）。
- 曝光才能判断负反馈（数据闭环）。
- 实验才能验证策略好坏（评估闭环）。
下一节我们明确衡量这套系统的核心指标，以及指标之间的冲突。