搞了个推荐系统的脚手架，大家来看看设计得怎么样

2026-01-20 23:00

# 技术

607 字

1 min

做推荐系统两年多，基于对推荐系统的了解，沉淀了个工程框架。

(公司)现有系统问题

复用性问题

每个场景都是独立的流程，逻辑差不多但各写各的
召回、过滤、排序的逻辑到处 copy
混合推荐和单业务推荐不能复用，召回策略相似但代码分离
新场景几乎需要重新实现一套召回、过滤、排序流程，不能快速响应

可观测性问题

出问题很难定位，不知道是哪个阶段的问题
日志散落各处，想看完整流程得拼日志，没有结构化的日志

设计思路

标准流水线+自定义拦截器

把推荐流程抽象成 7 个阶段，每个阶段都可以自定义策略，无论是调用外部接口还是自有实现，策略之间可以组合，每个阶段前后都可以自定义拦截器，比如性能埋点、曝光去重、结果记录这些通用逻辑。所有场景走同一套流水线：

实验分流 → 画像加载 → 召回 → 过滤 → 排序 → 重排 → 填充

Prism Architecture

组件化，复用性强

每个阶段的策略都是独立组件，注册成 Spring Bean：

// 召回策略
@Component("UserInterestRecall")   // 用户兴趣召回
public class UserInterestRecall implements RecallStrategy {}
@Component("HotRecall")            // 热门召回
public class HotRecall implements RecallStrategy {}
@Component("CrossDomainRecall")    // 跨业务召回
public class CrossDomainRecall implements RecallStrategy {}
@Component("VectorRecall")         // 向量化召回
public class VectorRecall implements RecallStrategy {}

// 重排策略
@Component("DiversityRerank")     // 多元化重排
public class DiversityRerank implements RerankStrategy {}
@Component("BusinessRuleRerank")  // 业务规则重排
public class BusinessRuleRerank implements RerankStrategy {}
@Component("AdRerank")            // 广告重排
public class AdRerank implements RerankStrategy {}

混合推荐和单业务推荐的区别，就是配置里组合的策略不同，代码完全复用。

配置驱动

整个流程用 YAML 配置，不用改代码：

recall:
  - when: { experiment: "recall_exp", variant: "full" }
    steps:
      - name: "UserInterestRecall"
      - name: "HotRecall"
      - name: "CrossDomainRecall"
  - when: { experiment: "recall_exp", variant: "minimal" }
    steps:
      - name: "UserInterestRecall"

不同场景、不同实验组，改配置就搞定，如果当前组件不满足需求，只用开发新的组件即可。完整的yaml可以在代码仓库中查看。

全链路日志追踪

推荐过程有完整的推荐日志，一目了然，方便排查问题：

{
  "globalLogs": [
    "[2026-01-20 21:48:35] Starting Pipeline Execution for User: alice",
    "[2026-01-20 21:48:35] Pipeline Execution Completed. Result Size: 25"
  ],
  "stages": {
    "EXPERIMENT": {
      "stage": "EXPERIMENT",
      "duration": 0,
      "inputIds": [],
      "logs": [],
      "now": "2026-01-20T21:48:35.11616",
      "outputIds": [],
      "plugins": {
        "ExperimentStrategy": {
          "name": "ExperimentStrategy",
          "currentSize": 0,
          "latency": 0,
          "logs": [
            "[2026-01-20 21:48:35] User [alice] assigned to Experiment [recall_exp], Variant [full]",
            "[2026-01-20 21:48:35] User [alice] assigned to Experiment [rank_exp], Variant [mmoe]"
          ]
        }
      },
      "startTime": 1768916915116
    },
    "PROFILE": {
      "stage": "PROFILE",
      "duration": 3,
      "inputIds": [],
      "logs": [
        "[2026-01-20 21:48:35] Loaded 1 exposure records for user: alice"
      ],
      "now": "2026-01-20T21:48:35.116304",
      "outputIds": [],
      "plugins": {
        "MockProfile": {
          "name": "MockProfile",
          "currentSize": 0,
          "latency": 3,
          "logs": [
            "[2026-01-20 21:48:35] get user: alice vector",
            "[2026-01-20 21:48:35] get user: alice interests",
            "[2026-01-20 21:48:35] get user: alice profile success"
          ]
        }
      },
      "startTime": 1768916915116
    },
    "RECALL": {
      "stage": "RECALL",
      "duration": 11,
      "inputIds": [],
      "logs": [],
      "now": "2026-01-20T21:48:35.119306",
      "outputIds": ["..."],
      "plugins": {
        "UserInterestRecall": {
          "name": "UserInterestRecall",
          "currentSize": 15,
          "latency": 11,
          "logs": []
        }
        ...
      },
      "startTime": 1768916915119
    },
    ...
  }
}

试一试

项目地址：https://github.com/xi-mad/prism

git clone https://github.com/xi-mad/prism.git
cd prism
mvn spring-boot:run -Dspring-boot.run.jvmArguments="--enable-preview"

我是使用java25运行的，别的版本没有测试，跑起来访问 http://localhost:9990/，有个 Web 演示页面，可以直接编辑 YAML 配置，不同的策略组合就能看到不同的推荐结果和执行 Trace。不同的策略有不同的参数，可以再代码中查看，UI做的很简单，只是为了演示，实际应用时可以配置不同的场景，将配置信息存在数据库，业务根据场景id进行请求。

如果有能帮助到您的地方，十分荣幸。请帮忙star一下，万分感谢。

欢迎大家一起交流讨论~

ON THIS PAGE

搞了个推荐系统的脚手架，大家来看看设计得怎么样#

#

(公司)现有系统问题#

设计思路#

标准流水线+自定义拦截器#

组件化，复用性强#

配置驱动#

全链路日志追踪#

试一试#