推荐系统通常采用召回加排序的两阶段架构。召回从百万级物品中快速筛选出数百个候选，排序再对这数百个候选精细打分。两个阶段的目标、方法和评估标准都不同。
召回阶段追求高召回率，宁可多召回一些不相关的，也不能漏掉用户可能喜欢的。常用方法包括协同过滤、向量召回、规则召回、热度召回等，多路召回并行再合并去重。
排序阶段追求精准，在候选集内把最相关的排到前面。模型复杂度可以更高，特征更丰富，可以使用深度模型捕捉复杂交互。排序的效果直接决定用户看到什么。
两阶段的衔接点是候选集质量和数量。候选集太小会限制排序上限，太大则增加延迟和计算成本。召回评估看召回率，排序评估看 NDCG 等排序指标，二者要分开考核。
实践中还常加入粗排环节，在召回和精排之间做一次轻量筛选，平衡效果和性能。架构分层没有标准答案，要根据业务规模、延迟要求和资源约束来设计。
