工程算法与策略算法

• 工程算法（工程侧）关心“怎么把推荐系统做得又快又稳又省”，侧重点是架构与效率。
• 策略算法（策略侧）关心“系统该按什么目标、用什么规则做决策”，侧重点是目标函数与业务约束。

工程算法做什么

• 数据与特征管道：埋点、清洗、特征库（在线/离线一致性）、流式更新、延迟与丢数治理。
• 召回与检索效率：ANN（IVF-PQ/HNSW）、分桶/量化、索引构建与增量更新、冷热分层存储。
• 模型训练/推理系统：分布式训练、并行/微批、KV缓存、蒸馏、张量并行、异步/流式训练。
• 内核与算子优化：融合kernel、FlashAttention、ragged序列、低精度（bf16/fp8）、内存/带宽优化。
• 部署与SRE：低延迟服务、弹性扩缩、灰度与A/B、监控与告警、回滚、成本优化。
• 例子：用PQ把物品向量压缩做MIPS；会话内缓存用户向量；用KV缓存和微批（如M-FALCON）并行打分；随机长度（SL）降训练成本。

策略算法做什么

• 目标与约束：多目标优化（CTR/CVR/GMV/留存/满意度）、长期价值（LTV）、风险与合规（内容安全、年龄分级）。
• 候选融合与重排：多路召回融合、去重、个性化多样性/新颖度/覆盖、去同质化、位置偏置与校准。
• 探索-利用：多臂赌博机、上下文bandit、因果/反事实校正（IPS/DR）、强化学习/策略评估。
• 流量与频控：频次上限、冷启动策略、用户疲劳控制、预算/配额（广告）、供需均衡（市场类场景）。
• 守护策略：反作弊、点击诱饵降权、质量与可信度约束、敏感主题拦截。
• 例子：为提升7日留存，将排序目标从纯CTR改为CTR+α·长时停留；对同一商家商品设“去同款”重排；为新内容保留探索流量；为低活跃用户提高内容多样性权重。

两者关系与协同

• 策略决定“优化什么、如何权衡”，工程保证“能高效、稳定地实现”和“在业务规模上可落地”。
• 策略常依赖工程能力（实时特征、低延迟重排、可缓存的向量等）；工程约束（延迟/内存/QPS）反过来限制可用的策略复杂度。
• A/B与指标闭环：工程侧提供可靠实验与监控；策略侧根据短期/长期指标和因果评估迭代权重与