推荐系统和 LLM 怎么结合？从召回和精排说。

先这样答

推荐系统和 LLM 可以从召回、精排两层结合。召回阶段，先让 LLM 理解并改写用户的 query，明确用户想找什么。再用 embedding 做语义召回，找出表达不同但含义相关的内容。还可以做知识增强协同过滤，把内容语义带入用户兴趣关系的判断。召回的任务是找到值得进一步判断的候选内容，不是直接决定最终顺序。

精排阶段，我会讲三个结合点。第一，用 LLM 参与用户兴趣建模，帮助判断用户关注什么。第二，用语义信息增强特征交叉，判断用户特征和内容特征之间的关联。第三，生成推荐理由，用它辅助打分。推荐理由提供判断依据，但不能直接代替精排。这样答要把每个结合点放回排序任务，而不是笼统地说用大模型做推荐。

落到短视频场景，重点是内容理解和个性化增强。内容理解要回答视频讲了什么，个性化增强要回答它与这个用户的兴趣有什么关系。召回先找语义相关的短视频，精排再判断候选内容与用户兴趣的匹配程度。面试时按这两层讲，能交代 LLM 分别参与了什么，也能说清召回和精排各自解决什么问题。

面试官会怎么追问

• 「召回已经有协同过滤了，为什么还要用 LLM？」 协同过滤关注用户兴趣关系。LLM 可以补充 query 理解、改写和内容语义。两者结合时，可以从用户关系和语义两个角度找候选内容。
• 「embedding 语义召回和精排里的语义增强，有什么区别？」 语义召回用语义信息找候选内容。精排里的语义增强则用于判断候选内容与用户特征的关联。前者解决找什么，后者参与判断排什么。
• 「生成推荐理由，为什么不直接拿来排序？」 推荐理由可以辅助打分，但理由本身不等于排序结果。我会把它放在精排环节，作为判断候选内容是否符合用户兴趣的信息。

回答的坑

• 只说“用 LLM 做推荐”，却没讲清召回和精排分别怎么用。
• 把生成推荐理由说成直接决定排序，混淆了辅助打分和最终判断。