工业级推荐系统普遍采用召回加排序的两级漏斗结构，原因在于候选物品动辄百万级，无法对每个物品都跑复杂模型。召回负责从海量池中快速筛出数百个相关候选，排序再用重模型精细打分。
召回阶段强调速度与覆盖率，常用多路并行策略：协同过滤召回、向量近邻召回、热门召回、内容召回、地域召回等，各路结果合并去重。评价召回效果看召回率和覆盖率，而非精确排序。
排序阶段强调精度，输入是召回候选与丰富特征，输出是点击率或转化率的预估分数。模型从逻辑回归到深度网络逐步演进，特征工程涉及用户画像、物品属性、交叉特征和实时行为序列。
两级之间还存在粗排环节，用于在召回与精排之间再压缩候选规模，兼顾算力与效果。粗排模型通常比精排轻量，但比召回复杂，承担承上启下的作用。
设计漏斗时要关注各级之间的目标一致性：召回追求相关，排序追求转化，若召回漏掉了真正高转化的物品，排序再强也无法弥补。因此召回评估必须独立进行，不能只看最终线上指标。
