当推荐系统遇上大模型：三条正在成形的演进路线

在这场Recsys主题演讲中，Eugene Yan没有讨论“要不要用大模型”，而是回答了“该怎么用”。他用一系列真实案例，提出了三条正在落地的路径：语义化ID、基于大模型的数据增强，以及统一模型，展示了推荐与搜索系统在LLM时代的真实进化方式。

三句话的结尾，其实是路线图

在演讲的最后，Eugene用一句非常克制的话收尾：“Semantic IDs， data augmentation， and unified models.”

这不是口号，而是一条清晰的演进顺序：先让表示更有语义，再用大模型放大数据价值，最后重构系统结构。他并没有宣称大模型会“颠覆”推荐系统，而是展示了它正在如何被吸收、被消化。

这或许正是这场演讲最有价值的地方：它让人看到，大模型时代的推荐系统，不是推倒重来，而是一次耐心的重构。

总结

这场演讲没有宏大的未来宣言，而是给出了三条已经被验证的路径：语义化表示、基于大模型的数据增强，以及统一模型架构。它们共同指向一个趋势——推荐与搜索正在变得更“语言化”，但依然遵循工程现实。对从业者而言，真正的启发在于：不必追逐最重的模型，而要找到最合适的切入点。

关键词： 推荐系统， 大语言模型， 语义ID， 数据增强， 统一模型

事实核查备注： 演讲者：Eugene Yan；视频标题与来源：Recsys Keynote， AI Engineer；关键概念：Semantic IDs、Data Augmentation、Unified Models；案例公司：Spotify、Indeed、Etsy；关键数字：探索式查询+9%，转化率+2.6%；技术方法：提示工程、蒸馏、Embedding