TikTok 风格的架构 (TikTok-style architecture)：应被理解为 feed 排序模式 (feed ranking pattern)，而不是内部架构图

简介

“TikTok 风格架构 (TikTok-style architecture)”这个词听起来非常吸引人，但也容易被夸大。

如果没有官方的工程文档，我们就不应该画一张图，然后断言“TikTok 是这样使用 Kafka/Flink/feature store 的”。那是捏造。

更安全的做法是查看 TikTok 公开说明的关于“为你推荐 (For You)” feed 的内容，然后推导出现代 feed 排序系统 (feed ranking system) 的常见模式。

1. TikTok 官方是怎么说的？

TikTok 表示，“为你推荐” feed 是为每个用户个性化 (personalized) 的。系统通过基于多种因素对视频进行排序 (ranking) 来推荐内容，从用户表达的兴趣开始，然后根据用户感兴趣或不感兴趣的内容进行调整。

提到的信号包括：

用户交互 (user interactions)；
视频信息 (video information)；
设备/账户设置 (device/account settings)。

TikTok 还表示，他们试图使推荐多样化 (diversify recommendations)，而不仅仅是重复用户喜欢过的同类内容。

2. 可以推导出的模式 (Patterns)

从公开来源中，我们可以说一个 feed 排序系统通常需要：

用户信号 (User signals)
→ 候选内容 (Content candidates)
→ 排序 (Ranking)
→ 多样性 / 安全规则 (Diversity / safety rules)
→ Feed 结果 (Feed result)
→ 新的反馈信号 (New feedback signals)

其中反馈循环 (feedback loop) 是非常重要的一部分。用户观看、滑动、点赞、关注、评论、点击“不感兴趣”——所有这些都成为 feed 继续调整的信号。

3. 不应该断言什么

不应该写：

TikTok 使用 Kafka 和 Flink 进行实时推荐。

如果没有官方来源或明确的技术论文。

可以更谨慎地写：

一个实时的 feed 排序系统通常可能需要事件流 (event streaming) 和流处理 (stream processing)。Kafka/Flink 是这两类问题的两种流行技术，但 TikTok 的公开来源不足以断言 TikTok 以某种特定方式使用了它们。

这就是负责任的技术分析与瞎猜之间的区别。

4. 应用于 CRM/AI 工作流

一个 CRM 也可以学习 feed 排序模式，但在更小的规模上：

线索事件 (Lead events)
→ 候选的下一步行动 (Candidate next actions)
→ 评分/排序 (Scoring/ranking)
→ 业务规则 (Business rule)
→ 建议行动 (Suggested action)
→ 用户反馈 (User feedback)

例如，如果销售人员忽略了一个建议，或者客户没有回复，系统应该记录下来。如果一个报价被打开了多次，那么该线索的优先级可以提高。

5. 结论

“TikTok 风格的架构”应该被理解为一种关于富含反馈的产品 (feedback-rich product)、个性化和持续排序的模式，而不是 TikTok 的内部架构图。

写技术博客时，重要的一部分是知道边界在哪里：资料来源说了什么，我们推断了什么，以及我们不允许断言什么。

参考资料

TikTok Newsroom — How TikTok recommends videos #ForYou: https://newsroom.tiktok.com/en-us/how-tiktok-recommends-videos-for-you
TikTok Support — How TikTok recommends content: https://support.tiktok.com/en/using-tiktok/exploring-videos/how-tiktok-recommends-content
TikTok Newsroom — Safeguard and diversify recommendations: https://newsroom.tiktok.com/en-us/an-update-on-our-work-to-safeguard-and-diversify-recommendations