一次发现页请求
Explore Feed 是小红书的默认打开理由。公开论文把它写成服务数亿用户的推荐系统；工程分享把它接到 Kafka → Flink → 样本 → 模型的闭环上。
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
▶
端上决定要不要打下一屏
双列瀑布流按滑动预取下一屏卡片。本地还堆着未曝光笔记时，不必打满推荐集群。点进详情再拉正文和多图。
网关鉴权，媒体不走这条路
发现页请求只要笔记 ID、封面 URL、标题和互动数。图片从 CDN 出。公开资料没有给出和抖音同精度的毫秒拆分，这里只保证顺序，不编造预算数字。
并行召回
协同、双塔、关注作者、热门，加上 NoteLLM 一类 I2I。I2I 只看内容表征，用来把刚过审的新笔记捞进漏斗。
粗排、精排或 GenRank
传统路径是轻模型截断再深度多目标打分。GenRank 论文把生成式架构用在发现页排序，并声称在相近算力下提升满意度（线上 A/B）。
打散、混排、出卡片
相似笔记打散、多样性抽样、插入广告和运营位，再交给双列。
打点进 Kafka
曝光、点击、点赞、收藏、隐藏异步上报。FeatureJoiner 在 Flink 里拼样本。这条路不能同步堵住下一屏。