向量召回的核心是把用户和物品映射到同一向量空间，用内积或余弦相似度衡量匹配程度。双塔模型是最常见的实现：用户塔和物品塔分别编码，线上只需计算向量相似度，延迟低。
训练目标通常用对比学习或采样 softmax，让正样本对距离更近、负样本更远。负采样策略影响很大，随机负样本容易区分，难负样本能显著提升判别力，但要防止假阴性。
线上检索依赖近似最近邻（ANN）算法，如 HNSW、IVF-PQ。它们用少量精度换取数量级的速度提升。参数需要调优，召回率与延迟之间要实测权衡。
向量索引需要定期重建以吸收新物品和更新的 embedding。全量重建成本高，可用增量更新加定期全量刷新相结合，保证时效性。
评估向量召回不能只看离线 Recall，还要看线上覆盖和多样性。 embedding 坍缩、热门主导都是常见问题，需监控向量分布和召回结果的类目构成。
