过去十余年，推荐、搜索、广告几乎都建立在 多阶段级联架构（Multi-stage Cascading Architecture, MCA） 之上：召回、预排序、排序、重排……数据像漏斗一样层层筛选。这种设计在历史上平衡了效率与复杂度，但随着数据规模爆炸与用户体验要求提高，其结构性缺陷日益凸显——目标冲突、信息损失、计算碎片化。
本部分沿 生成式范式 主线，看工业界如何用统一神经网络 直接从用户输入生成最终结果 ，颠覆「级联漏斗」：聚焦三个核心场景的真实落地——快手的 OneRec （推荐）、电商搜索的 OneSug + OneSearch （搜索）、在线广告的 EGA + GPR （广告）。各章要点见下表。
💡 Key Insight: 三个场景的端到端实践呈现出一条共同主线——语义 ID 是连接生成模型与业务数据的桥梁；Encoder-Decoder 是融合上下文的主力架构；强化学习是对齐生成过程与线上业务目标的关键工具。
本章涵盖
| 章节 | Topic | The Big Idea |
|---|---|---|
| 8.1 | 端到端生成式推荐 | OneRec-V1/V2 用语义 ID + Encoder-Decoder + 强化学习，把推荐重定义为「用户上下文 → 语义 ID 序列」的生成任务 |
| 8.2 | 端到端生成式搜索 | OneSug 做查询补全、OneSearch 做商品检索，以统一生成式架构覆盖电商搜索全链路 |
| 8.3 | 端到端生成式广告 | EGA 把竞价机制嵌入生成、GPR 用预训练统一多场景超长序列，让机制约束与生成模型深度统一 |
What You'll Be Able to Do After This Part
- 🟢 解释 传统 MCA 的三大结构性缺陷，及其如何催生端到端生成式范式
- 🟢 描述 语义 ID（Semantic ID）如何把亿级物品压缩到有限词表，使生成式推荐在数学上可行
- 🟡 对比 OneRec-V1 的 Encoder-Decoder 与 V2 的 Lazy Decoder-Only 在算力分配上的根本差异
- 🟡 辨析 搜索场景「先相关性、后个性化」与推荐场景优化目标的本质区别
- 🔴 说明 EGA 如何在生成过程中内嵌激励相容（IC）与个体理性（IR）约束
- 🔴 概述 GPR 的异构层次化解码器与价值引导 Beam Search 如何解决跨场景与超长序列难题
- 🏆 完成各节分层练习题，亲手推演语义 ID 编码、奖励建模与约束解码过程
核心概念
| Concept | 章节 | Relevance |
|---|---|---|
| 多阶段级联架构 MCA | 8.1 | 被端到端范式颠覆的传统工业骨架 |
| 语义 ID（Semantic ID） | 8.1 | 连接生成模型与离散物品/商品/广告的核心桥梁 |
| Encoder-Decoder 生成架构 | 8.1 / 8.2 / 8.3 | 融合上下文、自回归生成序列的主力结构 |
| Lazy Decoder-Only | 8.1 | 把算力集中到目标 Token，解码成本降 94% |
| 强化学习对齐（ECPO/GBPO/DPO） | 8.1 / 8.2 / 8.3 | 让生成过程对齐线上多目标业务信号 |
| 激励相容 IC 与个体理性 IR | 8.3 | 广告场景下机制设计的经济学约束 |
| 价值引导 Trie Beam Search | 8.3 | 在解码中内嵌约束、提升推理效率 |
前置知识
- 已读完 1.1 （两种范式、端到端生成的动机）与 2.x （双塔、语义 ID 的初步概念）
- 了解 Transformer 的基本结构（自注意力、交叉注意力、编码器/解码器）
- 对强化学习基础概念（策略、奖励、优势）有初步认识（本部分会结合案例逐步展开）
本部分是生成式主线的工业落地篇，难度偏 Advanced——公式较多，但请记住：宁可多配图，也不要死抠公式。重点在于理解架构选择的「为什么」。
Tips for This Part
- 抓住「语义 ID」这条暗线。 推荐、搜索、广告三节都在反复解决同一个问题——如何把离散业务对象变成生成模型能「说出」的 Token 序列。先理解语义 ID，后面水到渠成。
- 对比着读三节。 每节都是「MCA 的痛点 → 生成式解法 → 对齐线上目标」，但业务约束各不相同：推荐追求兴趣、搜索先保相关性、广告还要满足经济学机制。
- 关注算力与约束的工程权衡。 OneRec-V2 的 Lazy 架构、GPR 的 Trie 约束解码，都是用架构换效率与合规的典型思路。
Let's dive in! 🚀