一、GMV掉的那一个月

2025年9月，我们的月度GMV环比下降了8%。

不是大促后的正常回落，是那种连续三周下滑、找不到底的掉法。

运营先慌了，拉了一堆数据：流量没降、转化率在掉。具体来说，是推荐位的点击率（CTR）在掉。从3.2%跌到了2.6%。

我们排查了一周。推荐系统的召回没问题，排序模型的AUC没变化，特征工程的pipeline正常运行。

最后发现原因：竞品上了大模型推荐。

不是用大模型做排序，是用大模型做意图理解。用户在搜索框里说了一句话，大模型直接理解了用户"想要什么"，然后推荐相关商品。而我们还在用"点击行为→协同过滤→多路召回→排序"的老链路。

用户在他那边搜"适合送丈母娘的生日礼物"，大模型理解了"丈母娘"“生日”"送礼"这些语义信息，推荐了保健品、丝巾、茶叶——精准命中。

我们这边呢？用户搜了"礼物"，我们召回的是"礼物包装盒"“礼物袋”“礼品卡”——因为我们的模型只学过"谁搜了礼物，最终买了什么"，它不理解"礼物"这个词背后的语义。

竞品用一个月，把我们四年积累的行为数据优势打平了。

---

二、老板开会说的那句话

10月初的月度复盘会上，老板问了一个问题。

“你们这个推荐系统，用户说不感兴趣还一直推，这是什么问题？”

全场沉默。

我知道是什么问题。我们的推荐系统是基于用户历史行为的——你点过什么、买过什么、浏览过什么，模型就认为你喜欢什么。如果用户有一天突然不想看这类内容了，模型反应不过来，因为行为数据有滞后性。

大模型不一样。用户可以在对话框里直接说"我最近不想看数码产品了，给我推荐点家居的"，大模型马上理解，立刻调整推荐策略。

我们的模型只能等用户的行为数据慢慢变化，推断出"他好像不喜欢数码了"。这个过程通常要两周。

两周的滞后，就是用户体验的差距。

老板又说了一句：“人家用一个大模型，就把我们做了四年的推荐系统超了。我们这四年，到底做了什么？”

这句话我记了很久。不是因为它扎心，是因为它是事实。

---

三、我翻了大量论文之后发现的规律

会后我花了两天，翻了大量论文和技术博客。

发现了一个很清晰的规律：推荐系统正在经历一次范式转移。

旧范式：行为数据驱动。 协同过滤、深度学习排序、多路召回——核心都是"从用户的行为数据里推断兴趣"。我做了四年，全在这个范式里。

新范式：意图理解驱动。 大模型能直接理解用户的自然语言意图，不依赖行为数据的滞后推断。用户说了什么，模型就理解什么。

这不是"大模型比协同过滤好一点"的问题，是底层逻辑变了。

旧范式的天花板在哪？在于行为数据只能捕捉"用户做了什么"，不能捕捉"用户想要什么"。这两个东西经常不一致——用户搜了"礼物"但其实是想送丈母娘；用户看了很多手机但其实是帮朋友参谋；用户点击了母婴用品但其实是刚生完孩子的爸爸在给自己老婆看。

行为数据理解不了这些"为什么"。大模型能。

---

四、我做了一个实验

想明白之后，我做了一个实验。

我把大模型接进了召回层。具体做法：

1. 用LLM对用户的搜索词和浏览行为做意图理解，生成一段"用户意图描述"（比如"用户在为母亲挑选生日礼物，预算200-500元，偏好实用型"）
2. 把这段描述转成语义向量
3. 和原来的行为向量做融合召回

我拿历史一周的数据做了离线测试。

结果出来了：融合召回的点击率，比纯行为召回高11%。用户投诉"推不准"的反馈，在模拟测试中降了27%。

27%。这个数字意味着，有将近三成的用户对推荐结果不满意，而我们以前根本不知道，因为没有行为数据能反映"用户不满意"。

---

五、我后来做了什么

第一件事：把大模型接进召回层，全量上线。

实验结果给老板看完了，他拍板上线。

A/B测试跑了三周：实验组CTR从2.6%回到了3.1%，比竞品上线前还高了0.1个百分点。GMV恢复到了正常水平。

更重要的是用户反馈。客服那边反馈，关于"推荐不准"的投诉量降了将近四成。有用户在App评论里写：“这个App终于懂我了，我搜什么它真的知道我想要什么。”

看到这条评论的时候，我有点感慨。做了四年推荐系统，这是第一次有用户说"懂我"。以前都是"还行"“凑合”“有时候准”。

第二件事：研究个性化大模型Fine-tune方向。

通用大模型理解意图很强，但它不了解每个用户的具体口味偏好。我做了另一个实验：用用户的历史行为数据，对一个小型LLM（7B参数）做指令微调，让模型学会"这个用户的口味偏好"。

具体做法是把用户行为数据转成自然语言指令——“这个用户过去一个月购买过咖啡豆、法压壶、咖啡杯，偏好手冲咖啡器具，预算敏感度中等”——然后用这些指令微调模型。

微调后的模型，在推荐准确率上比通用模型又高了8%。而且因为模型小，推理成本可以接受，不需要每次推荐都调GPT-4的API。

这个方向公司正在立项，我是最早提出来的人。

---

六、写在最后

我以前觉得，推荐系统工程师的护城河是"会调模型、会做特征工程、会做A/B测试"。

现在我觉得，护城河是"知道怎么让模型理解用户"。

大模型能理解"丈母娘生日送礼"这种语义，这是它比我强的地方。但它不了解每个用户的具体口味、预算偏好、购买习惯——这些需要用行为数据去喂给它，需要把行为数据翻译成模型能理解的语言。

这个"翻译"的过程，就是协同过滤四年给我的直觉：我知道什么样的行为数据对模型有用、什么样的数据是噪声、什么样的指令能让模型学得更好。

如果你也在做推荐系统，也在慌，我的建议是：别去跟大模型比语义理解能力，去学怎么把你的行为数据经验和LLM的能力结合起来。纯行为数据推荐的时代在结束，但"行为数据+大模型"的融合方向，才刚刚开始。

做了四年协同过滤，被一个大模型打趴了。但爬起来之后发现，四年的经验在新范式里，依然有用——只是用法变了。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！