Meta工程博客详解"Your algorithm"：不同规模的LLM如何分工，把用户的一句话变成推荐结果

美国科技公司Meta的工程团队在2026年11月10日发布了一篇技术博客，详细拆解了"Your algorithm"系统的内部架构。这套工具此前已在10月面向用户上线，允许人们在Facebook的Feed和Reels中用自然语言写下自己想看或不想看的内容。博客的重点不是功能介绍，而是解释一个工程问题：如何把用户随口说出的一句话，变成推荐系统里真正生效的排序信号。

Meta团队指出，传统推荐系统依赖隐式行为信号（点击、停留时长等），虽然能规模化运行，但适应慢、捕捉不到细微意图。"Your algorithm"试图补上这个缺口：用户直接说"我想看更多关于城市园艺的内容"或"我不想再看到AI生成的图片"，系统需要立刻理解这句话、存储它、并在后续推荐中执行它。这带来三个具体难题——新兴趣要快速出现但不能淹没其他内容；排除项要在主题模糊的情况下可靠过滤；以及已经缓存的旧推荐如何被更新。

在"想看"一侧，每个用户添加的兴趣会驱动四路独立检索：两路直接匹配（通过搜索和通过主题聚类），两路扩展覆盖（通过内容图谱和物品到物品相似度）。这样做的目的是确保全新兴趣的内容不会在召回阶段就彻底缺席。通过相关性检查的候选在排序后段获得提权，随后由重排层的控制机制决定它们出现在哪里。Meta强调"平衡优先于数量"：控制层会拉开同一兴趣的推荐间距，并对每个兴趣设每日上限；检索阶段每次请求只为一个兴趣拉取候选，让所有兴趣轮流获得机会。

在"不想看"一侧，过滤分布在多个阶段。排序阶段使用与相关性检查相同的嵌入比较来移除过近的候选，并用降级规则压低近似匹配。排序之后，一个LLM重排器审查最终列表。在设备端，缓存失效机制会丢弃已经排队待展示但与新排除项匹配的内容。值得注意的是，并非所有排除项都是主题性的——减少AI生成内容或性暗示内容这类质量请求，会映射到专门的降级信号而非主题匹配；如果用户点名某个创作者，该创作者的内容会被直接过滤。

LLM在这个系统中出现在三个不同位置，各自承担不同任务，也对应不同规模的模型。在用户首次访问时，一个LLM负责生成初始画像：把持续刷新的兴趣信号转成可读的主题名称，填入"想看"列表，同时写出一句"最近在看"摘要。在用户每次编辑偏好时，另一个较小的LLM负责验证——检查短语是否构成连贯主题、检测重复、映射到规范名称。Meta说明这一步使用小模型是为了在规模下高效服务。在排序完成后，一个经过微调的LLM重排器执行最后一道检查。

Meta在博客中分享了一个关键工程发现：在重排过滤环节，一个被微调为"只返回需要删除的条目"的小模型，比让通用模型逐条判断每个候选是否相关，既更快也更可靠。这个结论直接影响了模型选型——不是用更大的通用模型做更精细的逐条推理，而是用更小的专用模型做批量排除。

如何评估这些LLM调用本身也是一个问题。Meta指出，标准离线指标无法判断一句"最近在看"摘要是否准确，也无法判断重排器是否删对了内容。他们的做法是用另一个独立LLM充当裁判，对每次调用的输出按预期行为打分，从而在上线前提供可重复的对比基准。

Meta在文末承认仍有未解决的问题：对模糊输入的解读能力、让推荐更精确地响应每一条具体请求，以及从更多入口收集用户偏好。这篇博客的价值在于，它展示了一个从自然语言到排序信号的完整工程链路，以及在这个链路中，不同任务对模型规模、输出格式和评估方式的差异化要求。