Feed 排名与反馈循环 (Feedback Loop)：给产品构建者的教训

Feed 排名是一个非常吸引人的问题，因为它看起来很简单：有很多内容，选择哪个放在前面。

但一段时间后，Feed 不仅仅反映了用户的偏好。它开始反过来影响偏好、行为、信念，以及用户与产品交互的方式。

这就是反馈循环 (feedback loop)。

我写这篇文章是给产品构建者 (product builders) 的笔记：如果你将来要构建 CRM 推荐、AI 建议、内容 Feed、搜索排名或下一步最佳行动 (next-best-action)，在接触复杂的模型之前，你需要了解这个循环。

参考资料

TikTok Newsroom — How TikTok recommends videos #ForYou
arXiv — The Feedback Loop Between Recommendation Systems and Reactive Users
arXiv — Dynamics of Algorithmic Content Amplification on TikTok

1. 什么是反馈循环？

一个推荐循环通常是这样的：

系统推荐项目 (item)
  → 用户查看 / 忽略 / 点击 / 点赞 / 购买 / 编辑
  → 系统记录信号
  → 模型/排名改变
  → 下一次推荐受到影响

看起来不错。用户喜欢什么，系统就学习什么。

但问题是，系统也在塑造用户接下来会看到什么。如果它只优化一个指标，如观看时间或点击量，系统会逐渐将用户推入一个更狭窄的内容区域。

在工作产品中，这个循环同样存在。如果 CRM 不断建议“发送折扣跟进”，而用户选择它是因为它很快，系统可能会学到折扣是不错的行动，即使从长远来看它降低了利润率。

2. 用户信号不是中立的

点击并不总是意味着喜欢。

用户点击可能是因为：

好奇心；
令人震惊的标题；
没有更好的选择；
误触；
只是检查一下；
想要将其从列表中删除；
被 UI 诱导。

同样，在 CRM 中：

用户选择 AI 建议

并不意味着建议很好。他们选择它可能是因为懒得重写。因此，我们需要后续的信号：

他们编辑了吗？
消息实际发送了吗？
客户回复了吗？
交易 (deal) 取得了进展吗？
用户撤销 (undo) 了吗？

3. 排名应该有多个目标

一个只优化参与度 (engagement) 的 Feed 可能会让人觉得“上瘾”，但这未必是好事。

CRM 建议系统也不应仅仅优化“用户点击建议”。它应该平衡：

- 实用性 (usefulness)
- 用户信任 (user trust)
- 业务成果 (business outcome)
- 安全性 (safety)
- 行动的多样性 (diversity of actions)
- 长期价值 (long-term value)

例如：

行动得分 (Score) =
  相关性得分 (relevance_score)
  + 紧迫性得分 (urgency_score)
  + 业务价值得分 (business_value_score)
  - 风险得分 (risk_score)
  - 重复惩罚 (repetition_penalty)

最初，它可以是基于规则的 (rule-based)。不需要立刻上 ML。

4. 探索 (Exploration) 很容易被遗忘

如果系统总是推荐正在获胜的东西，它将很少尝试新事物。久而久之，推荐就会陷入僵局。

对于内容 Feed，这会让用户觉得重复。对于 CRM，这会让团队只尝试几个熟悉的动作。

一个简单的方法：

80% 利用 (exploit)：选择目前最好的行动
20% 探索 (explore)：尝试其他合理的行动

但是在商业工具中进行探索必须有限制。你不能通过向大客户发送有风险的电子邮件来“试验”。你可以在草稿 (draft) 级别进行探索，而不是自动发送。

5. 反馈循环的护栏 (Guardrails)

我会设置几个护栏：

不要使用单一指标；
避免过多地重复相同类型的建议；
让用户可以说“没用 (not useful)”；
记录建议某个操作的原因；
测量纠正率 (correction rate)；
区分点击 (click)、接受 (accept)、完成 (complete) 和结果 (outcome)；
对有风险的行动需要人工批准。

例如，UI 应该显示：

建议原因：
- 客户已经 3 天没有回复
- 报价已发送但未查看
- 类似的交易通常需要跟进电话

简单的解释有助于用户更加信任系统。

结论

反馈循环是推荐系统的核心。但它也是产品很容易自我偏离的地方。

对于产品构建者来说，教训不是“构建一个像 TikTok 这样的算法”。教训是：先设计信号、指标和护栏。只有当产品的数据循环足够清晰和健康时，模型才能学得好。