小白入门
这一页先建立直觉。小红书和抖音最容易混：都是推荐驱动的内容 App。差别在于，小红书把「我要找」做成和「随便逛」同等重要的入口，而且一篇内容是可检索的笔记，不是只能滑过去的视频。
三种图怎么看
| 图的种类 | 看它干什么 | 本页例子 |
|---|---|---|
| 架构图 | 逛和搜怎么隔开，哪一层可以共用 | 双引擎、七层 |
| 流程图 | 候选怎么一步步变少 | 推荐漏斗 |
| 时序图 | 谁先说话、小票何时入账 | 发现页请求、打点闭环 |
两扇门，不要画成一扇
- 闲逛（发现页 / Explore Feed）：没有 Query。系统从亿级笔记里抽出几十张卡片。GenRank 论文把这套系统写成服务数亿用户。
- 提问（搜索 / 问一问）：有 Query。先理解你在问什么（QP），再召回、算相关性、排序。近年用大模型做查询理解和生成式答案。
- 写小票（异步打点）：你点进去、收藏、隐藏，事后进 Kafka。Flink 做归因，绝不能让下一屏卡片等这张小票。
没有 Query · 发现页
多路召回
粗排 / 精排 / GenRank
重排后双列卡片
有 Query · 搜索
QP-OneModel
召回 + 生成式相关性
结果页 / 问一问
一篇笔记为什么特殊
所以冷启动不能只靠「已经有多少赞」。NoteLLM（WWW'24）用大模型把笔记压成一个表征，并让模型学会生成话题和类目——压缩关键信息和生成标签是同一件事。NoteLLM-2（KDD'25）再补上图，避免模型只看字。
打开发现页，谁先说话
用户
App
网关
推荐漏斗
CDN
Kafka
打开发现页 / 上滑
▶
要一批笔记卡片
▶
鉴权后进召回排序
▶
几十条 meta
◀
拉封面和正文图
▶
曝光点击点赞异步上报
▶
逐步拆路径见一次发现页请求。
推荐为什么还是漏斗
亿级可推内容池
多路召回 · 千级
粗排 · 百级
精排 · 几十
重排混排 · 约十条
客户端 Feed
细节见多阶段漏斗。生成式排序没有取消漏斗，只是替换精排这一段，见GenRank。