// 多元推荐改写清单。当团队想重写推荐系统时，最容易只在原目标函数上加一点随机。 这个 Skill 帮你避免"看起来更多元，底层仍然单一"。
[HINT] Download the complete skill directory including SKILL.md and all related files
| name | p0g-diversity-rewrite-checklist |
| description | 多元推荐改写清单。当团队想重写推荐系统时，最容易只在原目标函数上加一点随机。 这个 Skill 帮你避免"看起来更多元，底层仍然单一"。 |
检查推荐系统是真正多元，还是只是"加了点随机"。六项检查避免假多元。
当前推荐系统的目标和方案描述。
示例输入：
产品: 知识内容平台
目标: "把停留时长再做高一点"
当前方案: 增加相似内容推荐，加一点随机探索
六项检查结果 + 改写建议 + 目标函数评估。
检测方法：
输出格式：
目标函数多样性: [yes/no/partial]
多样性指标: ["列表"]
权重: "多样性指标在总目标中的权重"
风险: "如果没有，会发生什么"
检测方法：
输出格式：
主动切换入口: [yes/no]
入口位置: "在哪里"
默认模式: "精准/开阔/混合"
用户控制感: [high/medium/low]
检测方法：
输出格式：
异质内容类型: [low_conflict/high_conflict/mixed]
过渡设计: [yes/no]
接触方式: "用户如何接触到异质内容"
检测方法：
输出格式：
现实连接: [yes/no/partial]
行动引导: "推荐是否能引导现实行动"
线下连接: [yes/no]
检测方法：
输出格式：
多元性指标: [yes/no]
指标列表: ["具体指标"]
评估频率: "多久评估一次"
检测方法：
输出格式：
跳出机制: [yes/no]
跳出方式: "如何跳出"
用户主动权: [high/medium/low]
系统记忆: "是否记住探索偏好"
diversity_rewrite_assessment:
input:
product: "产品名称"
current_goal: "当前目标"
current_approach: "当前方案"
checks:
check1_objective:
has_diversity_goal: "yes/no"
diversity_metrics: ["指标"]
weight: "权重"
risk: "风险"
check2_user_control:
has_exploration_mode: "yes/no"
entry_point: "入口"
default_mode: "默认模式"
user_control: "high/medium/low"
check3_heterogeneous_content:
conflict_level: "low_conflict/high_conflict/mixed"
has_transition: "yes/no"
exposure_method: "接触方式"
check4_real_world:
has_connection: "yes/no"
action_guidance: "行动引导"
offline_link: "yes/no"
check5_measurement:
has_diversity_metrics: "yes/no"
metrics: ["指标"]
review_frequency: "评估频率"
check6_user_escape:
has_escape: "yes/no"
escape_method: "跳出方式"
user_agency: "high/medium/low"
system_memory: "yes/no"
overall_assessment:
is_truly_diverse: "yes/no/partial"
fake_diversity_risk: "high/medium/low"
key_gaps: ["关键缺口"]
rewrite_recommendation:
objective_changes: "目标函数改写建议"
ui_changes: "界面改进建议"
metric_changes: "评估指标改进建议"
priority: "P0/P1/P2"
多元推荐不是精度的对立面，而是对单一目标精度的修正。
大多数推荐系统之所以有效，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。但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。
| 策略 | 本质 | 用户体验 |
|---|---|---|
| 随机推荐 | 无策略地增加噪音 | 体验变差 |
| 单一优化 | 只问"什么留住用户" | 把人越推越窄 |
| 多元推荐 | 有策略地保留探索空间 | 用户维度更丰富 |
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" |
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：六项检查结果 + 综合评估 + 改写建议
输入：Step 3-5 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：
六项检查结果：
| 检查项 | 结果 | 说明 |
|---|---|---|
| Check 1: 目标函数多样性 | ✅ | 新目标已包含探索和兴趣扩展 |
| Check 2: 用户主动切换 | ✅ | 有推荐模式切换入口 |
| Check 3: 低冲突异质内容 | ✅ | "换个口味"是风格渐变而非对立 |
| Check 4: 现实世界连接 | ✅ | 本地演出和社区推荐 |
| Check 5: 新可能性衡量 | ✅ | 兴趣扩展度指标已定义 |
| Check 6: 跳出默认轨迹 | ✅ | "不想听这类"+模式切换 |
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。六项全部通过，可进入分阶段上线。
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：
六项检查结果：
| 检查项 | 结果 | 说明 |
|---|---|---|
| Check 1: 目标函数多样性 | ✅ | 新目标已包含多样性和现实连接 |
| Check 2: 用户主动切换 | ✅ | "换个方向"入口 |
| Check 3: 低冲突异质内容 | ✅ | 慢生活≠反效率，是不同视角 |
| Check 4: 现实世界连接 | ✅ | 手工市集、慢跑社区等线下推荐 |
| Check 5: 新可能性衡量 | ✅ | 内容多样性指标已定义 |
| Check 6: 跳出默认轨迹 | ✅ | 推荐开关+类型标签 |
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。