搞了个推荐系统的脚手架，大家来看看设计得怎么样

以下内容非 AI 生成！！

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，想和大家交流一下。

(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 

这个图由 ai 生成

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~