with one click
p0g-diverse-recommendation-rewriter
// 多元推荐改写清单。AI 时代的推荐系统不再是"猜你喜欢", 而是"帮你发现你还不知道自己会喜欢的"。这个 Skill 提供从单一推荐到多元推荐的改写框架。
// 多元推荐改写清单。AI 时代的推荐系统不再是"猜你喜欢", 而是"帮你发现你还不知道自己会喜欢的"。这个 Skill 提供从单一推荐到多元推荐的改写框架。
[HINT] Download the complete skill directory including SKILL.md and all related files
| name | p0g-diverse-recommendation-rewriter |
| description | 多元推荐改写清单。AI 时代的推荐系统不再是"猜你喜欢", 而是"帮你发现你还不知道自己会喜欢的"。这个 Skill 提供从单一推荐到多元推荐的改写框架。 |
从"猜你喜欢"的单一推荐,进化到"帮你发现"的多元推荐系统。
当前推荐系统描述 + 用户反馈 + 业务目标。
示例输入:
产品: 在线音乐平台
现状: 基于用户历史收听的协同过滤推荐
问题: 用户反馈"总是推荐类似的歌,想听点新的"
目标: 提升用户活跃度和收听时长
多元推荐改写方案 + 具体改写清单 + 评估指标。
从:猜你喜欢什么(准确性优先) 到:帮你发现什么(价值发现优先)
检查项:
从:单一算法驱动 到:多算法混合
检查项:
多元推荐类型清单:
推荐类型:
- 熟悉推荐: "基于你喜欢的"
- 发现推荐: "与你喜欢的相似但不同"
- 上下文推荐: "根据你当前的场景"
- 社交推荐: "你的朋友喜欢的"
- 探索推荐: "你可能还不知道的"
- 趋势推荐: "正在流行的"
- 反向推荐: "与你常看的形成对比"
从:系统决定你看什么 到:用户可以影响推荐
检查项:
从:黑盒推荐 到:可解释推荐
检查项:
从:只看点击率 到:多维度评估
新评估指标:
准确性指标:
- CTR: 点击率
- 收藏率: 用户是否保存
- 完整消费率: 是否看完/听完/用完
多样性指标:
- 覆盖率: 多少不同类型被推荐
- 新鲜度: 推荐中多少是用户没接触过的
- 惊喜度: 用户反馈"没想到但很喜欢"的比例
用户成长指标:
- 兴趣扩展: 用户兴趣类别是否变宽
- 活跃度提升: 使用时长/频率变化
- 留存改善: 长期留存率变化
diverse_recommendation_rewrite:
input:
product: "产品名称"
current_system: "当前推荐系统描述"
user_feedback: "用户反馈"
business_goal: "业务目标"
assessment:
current_state: "当前推荐类型"
problems: ["发现的问题"]
opportunity: "改进机会"
rewrite_plan:
goal_redefinition: "目标重定义"
diversity_mix: "多元推荐混合比例建议"
user_control: "用户控制设计"
transparency: "透明度设计"
implementation_checklist:
- "具体改写任务1"
- "具体改写任务2"
- "..."
metrics:
accuracy: ["准确性评估指标"]
diversity: ["多样性评估指标"]
growth: ["用户成长评估指标"]
rollout_plan:
phase1: "小流量验证"
phase2: "逐步放量"
phase3: "全量上线"
好的推荐系统不是让用户沉迷于自己喜欢的,而是帮助用户发现更大的世界。
大多数推荐系统今天之所以有效,是因为目标清晰:点击率、停留时长、互动频率、转化率、复购率、续费率。
问题:一旦目标函数过于单一,系统会越来越偏爱最能服务那一目标的内容和行为,持续放大更情绪化、更容易比较模仿、更容易低成本理解、更接近用户已有偏好的东西。
结果:系统不是更完整地理解了你,而是选了你的一个维度不断放大。看起来精准,实际危险。
人不是一种固定偏好的容器。同一个人在不同时间、不同情绪、不同关系压力下,可能需要完全不同的东西。
加一点随机不等于多元推荐,内容更杂不等于用户更自由。
核心区分:
多元推荐真正要重写的不是推荐策略,而是产品目标函数本身——你到底在最大化什么?
| 方向 | 核心理念 | 典型设计 |
|---|---|---|
| 探索推荐 | 让用户主动切换"更开阔"模式 | "今天不想看精准的"入口 |
| 上下文推荐 | 结合时间/空间/状态判断当前需要 | 深夜不推"五点起床改变人生" |
| 反信息茧房推荐 | 低冲突异质内容入口 | "暂停不等于落后"主题文章 |
| 连接现实推荐 | 推荐不只留在屏幕内 | 周末手工市集、慢跑社区 |
| 可能性推荐 | 帮助用户遇见尚未定义的自己 | "你可能不只想变得高效" |
这些方向比单一推荐更难,短期增长未必最优,但更接近未来应用应承担的责任。
如果只看点击率和停留时长,多元推荐永远"不如"单一推荐。必须引入新指标。
三类指标:
评审时不能只看见更多点击,还要看见用户是否越来越窄。
一旦推荐足够强大,产品不能再只问"我能更准吗",还要问"用户还能从系统的默认路径里出来吗"。
用户控制设计清单:
所谓"懂你",最后很可能只是"困住你"——除非用户能主动拉自己出来。
输入:当前推荐系统描述 + 用户反馈 + 业务目标
处理:
输出:现状诊断报告(附问题定位和改进机会)
输入:Step 1 产出的现状诊断报告
处理:
输出:重写后的目标函数 + 多元推荐混合比例
输入:Step 2 产出的重写目标函数
处理:
输出:多元推荐策略设计文档
输入:Step 3 产出的推荐策略设计
处理:
输出:用户控制设计方案
输入:Step 3-4 的全部产出
处理:
输出:分阶段上线计划 + 各阶段监控指标
场景描述:在线音乐平台基于协同过滤推荐,用户反馈"总是推荐类似的歌,想听点新的"。
Step 1 现状诊断:
Step 2 目标函数重写:
Step 3 推荐类型设计:
Step 4 用户控制设计:
结论:从"猜你喜欢"到"帮你发现",不是算法升级,而是推荐哲学的重写。
场景描述:知识内容平台想提升停留时长,但团队担心"越推越窄"。
Step 1 现状诊断:
Step 2 目标函数重写:
Step 3 推荐类型设计:
Step 4 用户控制设计:
结论:推荐系统不该只竞争"谁更懂你",还该竞争"谁帮你回到更宽阔的现实"。用户点击的不等于完整的自己——可能只是某个压力下暂时抓住的一个片段。