推荐系统通常分为召回和排序两个阶段。召回阶段从海量物品中快速筛选出几百个候选，强调速度和覆盖率；排序阶段则对候选做精细打分，强调准确性和特征丰富度。两者目标不同，工程约束也不同。
召回模型面对的候选集往往是百万甚至千万级，所以常用双塔结构、向量检索、倒排索引等手段，把用户和物品映射到低维空间做近似最近邻搜索，牺牲部分精度换取响应速度。
排序模型面对的候选只有几百个，可以承受更复杂的特征交叉和更深的网络结构。它通常使用用户特征、物品特征、上下文特征和交叉特征，输出点击率或转化率预估，再按业务目标加权排序。
两阶段的分工不是绝对的。有些系统会增加粗排层做过渡，也有些系统尝试端到端学习。但核心思想一致：先用低成本方法缩小搜索空间，再用高成本模型精细决策。
理解这个分层，有助于排查问题。召回不足会导致好物品根本进不了排序，表现为天花板明显；排序不佳则是在候选不错的情况下排错了顺序，两者优化手段完全不同。
