工业级推荐系统很少直接对上百万物品逐一打分，而是采用召回加排序的两级结构。召回阶段目标是把候选集从百万级压缩到几百级，强调覆盖与速度，允许精度稍低。
常见召回通道包括协同过滤召回、向量近邻召回、热门召回和规则召回。多路召回并行执行，结果合并去重后送入排序，这样既能保证个性化，又能兜住冷启动与长尾需求。
排序阶段则聚焦精度，使用特征更丰富的模型对每个候选打分。用户特征、物品特征、上下文特征和交叉特征都会参与，模型容量也远大于召回阶段。
两级分工的本质是计算资源的权衡。召回用简单模型换吞吐，排序用复杂模型换准确。链路中任何一环出问题都会被放大，因此监控各阶段的候选覆盖率同样重要。
