�《灯下白》EP17 子扬：从文科到算法，他把“猜你喜欢”变成可解释的科学

本期嘉宾：子扬

211大学传媒学士，前互联网产品经理，自学转型推荐算法，现某大厂推荐算法工程师（深耕召回方向），擅长从用户行为建模到内容分发全链路，兼具产品思维与技术落地能力

主持人：吴熳

灯下白播客主理人，得到AI直播讲师，数字生命卡兹克签约AI博主，AGI bar品牌挚友，AI牛马库导航网站 ka21.org vibe coder。连续16个月日更433篇英语教学与AI融合文章，2025年10月在英国大使馆文教处世界教师日作为唯一中国代表全英文发言。从湖南内体制内高中教师到北京11年，她用"遇到问题解决问题"的八字方针，把自己从一个AI小白变成了能3小时做出个人网站的AI公工具推荐"3C带货女王"。在教育行业做了14年培训教研兼运营，曾带7人小团队做到私域销售过千万。

本节目由人类与GPT共同策划，剪映处理音频中水词，千问处理剪辑时间轴，GPT撰写Shownotes，Banana Pro生成播客logo，即梦生成播客封面，Suno生成片头片尾音乐，同时由声湃提供录音场地，由罗德麦克风提供录音设备。

---

�**本期故事**

纯文科出身，因产品经理工作中与技术团队的沟通成本过高，自学算法转入大厂推荐算法岗位。

他的日常工作，是从数千万条内容中筛选出最终呈现给用户的少数几条。

但他逐渐意识到：算法擅长拟合群体“分布”，却难以理解具体的“人”。

他本人也曾一整年未使用自己参与的产品，直到今年主动使用，才逐步与系统建立有效互动。

他反思，从业中最大的教训是过于关注单个模块而忽略整体链路。

他判断，未来推荐算法从业者的价值将更多体现在对用户与业务的理解上——

离用户越近，职业韧性越强。

---

�本期你会听到

- 推荐算法的核心任务：召回与排序的分工

- “大数据监听”说法的误读：行为采集与用户画像

- 主动搜索与被动浏览的权重差异

- 从海量内容到手机屏幕的四级筛选链路

- 用户行为的权重体系：点赞、完播、转发等指标的关系

- 算法对不同人群的差异化策略

- 信息茧房的成因：算法尝试打散，用户反馈驱动收敛

- 创作者“养号”说法的算法视角澄清

- 冷启动阶段的流量分配逻辑

- 转发行为的稀缺性与高信号价值

- 素人内容偶然爆发的机制：异常值被模型捕捉

- 封面视觉特征对推荐结果的影响

- 文科背景在算法岗位的复合优势

- 给内容创作者的落地建议：基于评论区与用户主页的分析

- 子扬从业经历中的主要教训：局部优化忽略系统链路

- 推荐算法岗位的演变趋势：向用户与业务靠近

---

本期金句

- 算法并未监听用户，而是以更细粒度对行为建模。

- 转发是比点赞稀缺百倍以上的信号。

- 模型公式越复杂，微小扰动越可能导致偏差，最终需要回归对人的理解。

- 离用户与业务越近的岗位，越难被AI替代。

---

⏱Shownotes

02:00-05:00 子扬背景：从文科到算法工程师

05:00-09:00 推荐算法的召回与排序模块

09:00-13:00 用户行为的采集：滑屏速度、停留时长等

13:00-17:00 主动兴趣信号的权重

17:00-21:00 从候选集到最终推荐的全链路

21:00-25:00 不同用户行为的权重分配逻辑

25:00-29:00 算法对主流人群的识别与头部效应

29:00-33:00 用户行为序列的建模难点

33:00-37:00 信息茧房的产生与平台的破壁尝试

37:00-41:00 创作者“养号”的误区

41:00-45:00 冷启动阶段的流量分配机制

45:00-49:00 转发行为的高价值与稀缺性

49:00-53:00 素人内容异常爆发的案例讨论

53:00-57:00 模仿热点内容的阶段性有效性

57:00-61:00 封面视觉特征与模型偏好的关系

61:00-65:00 给创作者的建议：研究评论区与用户主页

65:00-69:00 文科背景在算法岗位的差异化优势

69:00-73:00 子扬的职业教训：局部优化忽视系统链路

73:00-77:00 未来一年：向产品经理角色靠拢

77:00-81:00 推荐系统的悖论：数学拟合终需回归对人性的理解

81:00-结束从一年未用到每日使用：与系统的磨合过程

---

�故事摘要

子扬为纯文科出身，因产品经理工作中与技术团队的沟通成本较高，自学算法并转入大厂推荐算法岗位。

他的日常工作涉及从海量内容中筛选少量结果呈现给用户。随着经验积累，他逐渐发现：算法擅长捕捉群体层面的统计规律，但对个体用户的具体情境缺乏理解。

他本人曾长时间不使用自己参与的产品。今年开始主动使用，经历初期不适应后，系统对其偏好识别逐步改善，形成有效互动。

他反思，自己职业生涯中最大的教训是过于关注单个模块（召回）而忽略整体链路。

他认为，未来推荐算法从业者的价值将更多体现在对用户与业务的理解上，而非单纯的技术深度。这一认知也促使他重新思考自己的职业方向。

--

�听众互动

你是否经历过算法推荐“非常精准”或“完全偏离预期”的场景？欢迎在评论区分享你的观察。

17. 子扬：从文科到算法，他把“猜你喜欢”变成可解释的科学

灯下白