工业推荐系统普遍采用多阶段排序：召回、粗排、精排、重排。每一阶段在效果和效率之间做取舍，逐层缩小候选集，逐层提升精度。理解分工有助于定位问题。
粗排从召回结果中筛出几百个候选，模型相对轻量，特征较少，追求高吞吐低延迟。粗排的目标是保召回，尽量不遗漏精排可能看中的物品。
精排用复杂模型对候选逐条打分，特征丰富，可用深度模型建模用户兴趣。精排是效果主战场，但计算成本高，候选数量必须控制。
重排处理列表级约束：多样性、去重、打散、业务规则、广告插入。它不改变单物品分数，而是调整最终展示顺序和组合，兼顾体验与商业目标。
各阶段目标要一致，粗排分数与精排分数的相关性可作监控。若粗排过滤太狠，精排再强也无力回天。阶段间配额和阈值应通过实验调优。
