{"id":"4a0c5c55-e61a-45fd-9a52-af0b5c883cf1","shortId":"LU9qbD","kind":"skill","title":"p0g-diverse-recommendation-rewriter","tagline":"多元推荐改写清单。AI 时代的推荐系统不再是\"猜你喜欢\"， 而是\"帮你发现你还不知道自己会喜欢的\"。这个 Skill 提供从单一推荐到多元推荐的改写框架。","description":"# 多元推荐改写清单\n\n## 一句话定位\n\n从\"猜你喜欢\"的单一推荐，进化到\"帮你发现\"的多元推荐系统。\n\n## 何时触发\n\n- 产品有推荐功能，但用户反馈\"总是看到类似的东西\"\n- 想要提升推荐的多样性和惊喜感\n- 担心过度个性化导致信息蚕房\n- 需要平衡准确率、多样性、新鲜度三者\n\n## 输入\n\n当前推荐系统描述 + 用户反馈 + 业务目标。\n\n**示例输入**：\n```\n产品: 在线音乐平台\n现状: 基于用户历史收听的协同过滤推荐\n问题: 用户反馈\"总是推荐类似的歌，想听点新的\"\n目标: 提升用户活跃度和收听时长\n```\n\n## 输出\n\n多元推荐改写方案 + 具体改写清单 + 评估指标。\n\n## 改写框架\n\n### 维度 1: 推荐目标重定义\n\n**从**：猜你喜欢什么（准确性优先）\n**到**：帮你发现什么（价值发现优先）\n\n**检查项**：\n- [ ] 推荐目标是否从\"点击率\"扩展到\"用户成长\"\n- [ ] 是否考虑了用户的长期价值（而不是短期满足）\n- [ ] 是否帮助用户发现新兴趣（而不是回复旧偏好）\n\n### 维度 2: 多元性引入\n\n**从**：单一算法驱动\n**到**：多算法混合\n\n**检查项**：\n- [ ] 是否引入了多种推荐策略（协同、内容、上下文、社交、探索）\n- [ ] 是否有意识地控制同类内容的聚集\n- [ ] 是否为用户提供\"意外之选\"\n\n**多元推荐类型清单**：\n```\n推荐类型:\n  - 熟悉推荐: \"基于你喜欢的\"\n  - 发现推荐: \"与你喜欢的相似但不同\"\n  - 上下文推荐: \"根据你当前的场景\"\n  - 社交推荐: \"你的朋友喜欢的\"\n  - 探索推荐: \"你可能还不知道的\"\n  - 趋势推荐: \"正在流行的\"\n  - 反向推荐: \"与你常看的形成对比\"\n```\n\n### 维度 3: 控制权交还用户\n\n**从**：系统决定你看什么\n**到**：用户可以影响推荐\n\n**检查项**：\n- [ ] 用户是否可以表达\"不感兴趣\"\n- [ ] 用户是否可以主动选择推荐类型\n- [ ] 用户是否可以看到\"为什么推荐这个\"的解释\n- [ ] 用户是否可以关闭/打开某类推荐\n\n### 维度 4: 透明度设计\n\n**从**：黑盒推荐\n**到**：可解释推荐\n\n**检查项**：\n- [ ] 用户能否理解为什么被推荐了\n- [ ] 推荐是否有\"因为…所以推荐…\"的解释\n- [ ] 是否有推荐的多样性说明\n\n### 维度 5: 评估指标升级\n\n**从**：只看点击率\n**到**：多维度评估\n\n**新评估指标**：\n```\n准确性指标:\n  - CTR: 点击率\n  - 收藏率: 用户是否保存\n  - 完整消费率: 是否看完/听完/用完\n\n多样性指标:\n  - 覆盖率: 多少不同类型被推荐\n  - 新鲜度: 推荐中多少是用户没接触过的\n  - 惊喜度: 用户反馈\"没想到但很喜欢\"的比例\n\n用户成长指标:\n  - 兴趣扩展: 用户兴趣类别是否变宽\n  - 活跃度提升: 使用时长/频率变化\n  - 留存改善: 长期留存率变化\n```\n\n## 综合输出格式\n\n```yaml\ndiverse_recommendation_rewrite:\n  input:\n    product: \"产品名称\"\n    current_system: \"当前推荐系统描述\"\n    user_feedback: \"用户反馈\"\n    business_goal: \"业务目标\"\n  \n  assessment:\n    current_state: \"当前推荐类型\"\n    problems: [\"发现的问题\"]\n    opportunity: \"改进机会\"\n  \n  rewrite_plan:\n    goal_redefinition: \"目标重定义\"\n    diversity_mix: \"多元推荐混合比例建议\"\n    user_control: \"用户控制设计\"\n    transparency: \"透明度设计\"\n  \n  implementation_checklist:\n    - \"具体改写任务1\"\n    - \"具体改写任务2\"\n    - \"...\"\n  \n  metrics:\n    accuracy: [\"准确性评估指标\"]\n    diversity: [\"多样性评估指标\"]\n    growth: [\"用户成长评估指标\"]\n  \n  rollout_plan:\n    phase1: \"小流量验证\"\n    phase2: \"逐步放量\"\n    phase3: \"全量上线\"\n```\n\n## 快速使用法\n\n1. 描述当前推荐系统和问题\n2. 逐个维度评估\n3. 制定改写清单\n4. 设计评估指标\n5. 分阶段上线\n\n## 常见误判\n\n- **多样性 = 随机性**：多元推荐不是随机推荐，而是有策略的多样\n- **忽视准确性**：为了多样而失去准确性，用户会觉得推荐\"不准\"\n- **一次性改完**：推荐系统的改进需要渐进，不能一次性大改\n\n## 一句判断\n\n> 好的推荐系统不是让用户沉迷于自己喜欢的，而是帮助用户发现更大的世界。\n\n## 核心概念\n\n### 概念一：单一推荐的本质——围绕一个目标函数运转\n\n大多数推荐系统今天之所以有效，是因为目标清晰：点击率、停留时长、互动频率、转化率、复购率、续费率。\n\n**问题**：一旦目标函数过于单一，系统会越来越偏爱最能服务那一目标的内容和行为，持续放大更情绪化、更容易比较模仿、更容易低成本理解、更接近用户已有偏好的东西。\n\n**结果**：系统不是更完整地理解了你，而是选了你的一个维度不断放大。看起来精准，实际危险。\n\n> 人不是一种固定偏好的容器。同一个人在不同时间、不同情绪、不同关系压力下，可能需要完全不同的东西。\n\n### 概念二：多元推荐不是精度的对立面，而是对单一目标精度的修正\n\n加一点随机不等于多元推荐，内容更杂不等于用户更自由。\n\n**核心区分**：\n- 随机推荐：无策略地增加噪音 → 用户体验变差\n- 多元推荐：有策略地保留探索空间 → 用户维度更丰富\n- 单一优化：只问\"什么留住用户\" → 把人越推越窄\n- 多元优化：也问\"什么帮用户接触新可能\" → 保护人的多元性\n\n> 多元推荐真正要重写的不是推荐策略，而是产品目标函数本身——你到底在最大化什么？\n\n### 概念三：五种值得尝试的多元推荐方向\n\n| 方向 | 核心理念 | 典型设计 |\n|---|---|---|\n| 探索推荐 | 让用户主动切换\"更开阔\"模式 | \"今天不想看精准的\"入口 |\n| 上下文推荐 | 结合时间/空间/状态判断当前需要 | 深夜不推\"五点起床改变人生\" |\n| 反信息茧房推荐 | 低冲突异质内容入口 | \"暂停不等于落后\"主题文章 |\n| 连接现实推荐 | 推荐不只留在屏幕内 | 周末手工市集、慢跑社区 |\n| 可能性推荐 | 帮助用户遇见尚未定义的自己 | \"你可能不只想变得高效\" |\n\n> 这些方向比单一推荐更难，短期增长未必最优，但更接近未来应用应承担的责任。\n\n### 概念四：评估指标必须同步升级\n\n如果只看点击率和停留时长，多元推荐永远\"不如\"单一推荐。必须引入新指标。\n\n**三类指标**：\n1. **准确性指标**：CTR、收藏率、完整消费率\n2. **多样性指标**：覆盖率（多少不同类型被推荐）、新鲜度（多少是用户没接触过的）、惊喜度（\"没想到但很喜欢\"的比例）\n3. **用户成长指标**：兴趣扩展（用户兴趣类别是否变宽）、活跃度提升、留存改善\n\n> 评审时不能只看见更多点击，还要看见用户是否越来越窄。\n\n### 概念五：控制权交还用户——让用户能从默认轨迹里拉出来\n\n一旦推荐足够强大，产品不能再只问\"我能更准吗\"，还要问\"用户还能从系统的默认路径里出来吗\"。\n\n**用户控制设计清单**：\n- 用户能否表达\"不感兴趣\"\n- 用户能否主动选择推荐类型\n- 用户能否看到\"为什么推荐这个\"的解释\n- 用户能否关闭/打开某类推荐\n\n> 所谓\"懂你\"，最后很可能只是\"困住你\"——除非用户能主动拉自己出来。\n\n## 分步执行\n\n### Step 1：现状诊断——当前推荐系统的问题定位\n\n**输入**：当前推荐系统描述 + 用户反馈 + 业务目标\n\n**处理**：\n1. 明确当前推荐系统的目标函数（优化的是什么指标？）\n2. 分析用户反馈中的关键词（\"总是类似的\"\"没新意\"\"越推越窄\"）\n3. 评估当前推荐的多样性现状（覆盖率、新鲜度、惊喜度）\n4. 判断当前系统属于哪种类型：纯协同过滤 / 内容推荐 / 混合推荐\n\n**输出**：现状诊断报告（附问题定位和改进机会）\n\n---\n\n### Step 2：目标函数重写——从单一指标到多元目标\n\n**输入**：Step 1 产出的现状诊断报告\n\n**处理**：\n1. 承认当前目标函数过于狭窄\n2. 在目标函数中加入多样性/探索目标（不仅仅是停留和转化）\n3. 定义新的评估指标：覆盖率、新鲜度、惊喜度、兴趣扩展度\n4. 确定多元推荐的混合比例建议（如：70% 精准 + 20% 探索 + 10% 反向）\n\n**输出**：重写后的目标函数 + 多元推荐混合比例\n\n---\n\n### Step 3：推荐类型设计——为每种方向设计具体策略\n\n**输入**：Step 2 产出的重写目标函数\n\n**处理**：\n1. 设计探索推荐入口：\"今天想看点不一样的\"按钮\n2. 设计上下文推荐逻辑：根据时间/状态/节奏调整推荐\n3. 设计反信息茧房推荐：低冲突异质内容入口（不是对立内容，而是不同视角）\n4. 设计连接现实推荐：推荐线下活动、社区、体验\n5. 设计可能性推荐：不只预测过去，轻轻帮助遇见可能的未来\n\n**输出**：多元推荐策略设计文档\n\n---\n\n### Step 4：用户控制设计——交还推荐控制权\n\n**输入**：Step 3 产出的推荐策略设计\n\n**处理**：\n1. 设计\"不感兴趣\"反馈机制\n2. 设计推荐类型切换入口（精准模式 / 探索模式 / 上下文模式）\n3. 设计推荐解释（\"因为你看过的 X，所以推荐 Y\"）\n4. 设计推荐开关（用户可以关闭某类推荐）\n\n**输出**：用户控制设计方案\n\n---\n\n### Step 5：分阶段上线——从小流量验证到全量\n\n**输入**：Step 3-4 的全部产出\n\n**处理**：\n1. Phase 1：小流量验证（5-10% 用户），只上线探索推荐入口\n2. Phase 2：逐步放量（30-50% 用户），上线上下文推荐和反信息茧房\n3. Phase 3：全量上线，监控三类指标（准确性 + 多样性 + 用户成长）\n\n**输出**：分阶段上线计划 + 各阶段监控指标\n\n### 示例 1：音乐平台从\"猜你喜欢\"到\"帮你发现\"\n\n**场景描述**：在线音乐平台基于协同过滤推荐，用户反馈\"总是推荐类似的歌，想听点新的\"。\n\n**Step 1 现状诊断**：\n- 目标函数：优化播放完成率和次日留存\n- 用户反馈：\"总是类似的歌\"\"听腻了\"\"想找新歌但不知道搜什么\"\n- 多样性现状：推荐中 85% 是用户已听过的同类风格，新鲜度极低\n\n**Step 2 目标函数重写**：\n- 原目标：最大化播放完成率\n- 新目标：最大化播放完成率 × 0.6 + 探索成功率 × 0.25 + 兴趣扩展度 × 0.15\n- 混合比例：70% 精准推荐 + 20% 探索推荐 + 10% 反向推荐\n\n**Step 3 推荐类型设计**：\n- 精准推荐（70%）：基于历史收听的协同过滤\n- 探索推荐（20%）：\"今日新发现\"歌单——与你喜欢的相似但不同风格\n- 反向推荐（10%）：\"换个口味\"——与你常听的形成对比（如：常听快歌 → 推荐慢歌）\n- 上下文推荐：深夜推舒缓、通勤推节奏、运动推能量\n- 连接现实推荐：本地演出信息、音乐人见面会\n\n**Step 4 用户控制设计**：\n- \"不想听这类\"按钮\n- 推荐模式切换：精准模式 / 探索模式 / 随机模式\n- 推荐解释：\"因为你喜欢 [歌手A]，推荐了风格相近的 [歌手B]\"\n\n**结论**：从\"猜你喜欢\"到\"帮你发现\"，不是算法升级，而是推荐哲学的重写。\n\n---\n\n### 示例 2：知识内容产品从\"留住你\"到\"拓宽你\"\n\n**场景描述**：知识内容平台想提升停留时长，但团队担心\"越推越窄\"。\n\n**Step 1 现状诊断**：\n- 目标函数：最大化停留时长\n- 用户反馈：\"总是看类似的\"\"想看点不一样的但找不到\"\n- 多样性现状：用户最近两周反复看\"自律\"\"效率\"\"减脂\"内容，系统持续强化\n\n**Step 2 目标函数重写**：\n- 原目标：最大化停留时长\n- 新目标：最大化停留时长 × 0.5 + 内容多样性 × 0.3 + 现实连接率 × 0.2\n\n**Step 3 推荐类型设计**：\n- 精准推荐（60%）：效率/自律类内容\n- 探索推荐（25%）：\"今天不卷了\"入口——城市散步路线、手工陶瓷短视频、慢生活访谈\n- 反信息茧房（15%）：\"暂停不等于落后\"主题文章、普通人与不完美生活和解的故事\n- 上下文推荐：深夜不推\"五点起床改变人生\"，推恢复、放松、陪伴类内容\n- 连接现实推荐：周末手工市集、独立书店、新手烹饪课、本地慢跑社区\n- 可能性推荐：不定义用户为\"自律人\"，而是轻轻假设\"你可能不只是想变高效\"\n\n**Step 4 用户控制设计**：\n- \"换个方向\"按钮\n- 推荐类型标签（效率 / 生活 / 探索 / 连接现实）\n- 推荐解释：\"因为你最近常看效率类内容，推荐了不同视角的慢生活内容\"\n- 推荐开关：可以关闭\"效率类\"推荐\n\n**结论**：推荐系统不该只竞争\"谁更懂你\"，还该竞争\"谁帮你回到更宽阔的现实\"。用户点击的不等于完整的自己——可能只是某个压力下暂时抓住的一个片段。","tags":["p0g","diverse","recommendation","rewriter","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native"],"capabilities":["skill","source-gmaxxxie","skill-p0g-diverse-recommendation-rewriter","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p0g-diverse-recommendation-rewriter","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (5,786 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:26.819Z","embedding":null,"createdAt":"2026-05-01T01:02:53.133Z","updatedAt":"2026-05-18T18:57:26.819Z","lastSeenAt":"2026-05-18T18:57:26.819Z","tsv":"'-10':527 '-4':519 '-50':535 '0.15':585 '0.2':675 '0.25':583 '0.3':673 '0.5':671 '0.6':581 '1':53,225,341,387,395,422,425,458,492,522,524,550,561,650 '10':444,591,605 '15':691 '2':71,227,346,398,417,427,455,462,496,530,532,575,640,665 '20':442,589,600 '25':684 '3':104,229,355,403,431,450,467,489,501,518,538,540,594,677 '30':534 '4':120,231,408,437,472,484,507,619,712 '5':134,233,477,513,526 '60':680 '70':440,587,597 '85':571 'accuraci':210 'ai':7 'assess':184 'busi':181 'checklist':206 'control':201 'ctr':142,343 'current':175,185 'divers':3,169,197,212 'feedback':179 'goal':182,194 'growth':214 'implement':205 'input':172 'metric':209 'mix':198 'opportun':190 'p0g':2 'p0g-diverse-recommendation-rewriter':1 'phase':523,531,539 'phase1':218 'phase2':220 'phase3':222 'plan':193,217 'problem':188 'product':173 'recommend':4,170 'redefinit':195 'rewrit':5,171,192 'rollout':216 'skill':13 'skill-p0g-diverse-recommendation-rewriter' 'source-gmaxxxie' 'state':186 'step':386,416,421,449,454,483,488,512,517,560,574,593,618,649,664,676,711 'system':176 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'transpar':203 'user':178,200 'x':504 'y':506 'yaml':168 '一句判断':247 '一句话定位':16 '一旦推荐足够强大':366 '一旦目标函数过于单一':263 '一次性改完':244 '三类指标':340 '上下文':81 '上下文推荐':93,313,611,695 '上下文模式':500 '上线上下文推荐和反信息茧房':537 '不仅仅是停留和转化':430 '不准':243 '不只预测过去':479 '不同关系压力下':277 '不同情绪':276 '不如':337 '不定义用户为':707 '不想听这类':621 '不感兴趣':112,373,494 '不是对立内容':470 '不是算法升级':637 '不能一次性大改':246 '与你喜欢的相似但不同':92 '与你喜欢的相似但不同风格':603 '与你常听的形成对比':607 '与你常看的形成对比':102 '业务目标':35,183,393 '为了多样而失去准确性':241 '为什么推荐这个':115,376 '为每种方向设计具体策略':452 '主题文章':322,693 '也问':296 '互动频率':258 '五点起床改变人生':318,697 '五种值得尝试的多元推荐方向':303 '交还推荐控制权':486 '产出的推荐策略设计':490 '产出的现状诊断报告':423 '产出的重写目标函数':456 '产品':37 '产品不能再只问':367 '产品名称':174 '产品有推荐功能':24 '人不是一种固定偏好的容器':274 '什么帮用户接触新可能':297 '什么留住用户':293 '今天不卷了':685 '今天不想看精准的':311 '今天想看点不一样的':460 '今日新发现':601 '从':17,55,73,106,122,136,633 '从单一指标到多元目标':419 '从小流量验证到全量':515 '价值发现优先':60 '优化播放完成率和次日留存':564 '优化的是什么指标':397 '但团队担心':647 '但更接近未来应用应承担的责任':332 '但用户反馈':25 '低冲突异质内容入口':320,469 '体验':476 '何时触发':23 '你到底在最大化什么':301 '你可能不只想变得高效':329 '你可能不只是想变高效':710 '你可能还不知道的':98 '你的朋友喜欢的':96 '使用时长':163 '保护人的多元性':298 '停留时长':257 '入口':312,686 '全量上线':223,541 '兴趣扩展':160,357 '兴趣扩展度':436,584 '具体改写任务1':207 '具体改写任务2':208 '具体改写清单':49 '典型设计':306 '内容':80,662 '内容多样性':672 '内容推荐':411 '内容更杂不等于用户更自由':283 '准确性':543 '准确性优先':57 '准确性指标':141,342 '准确性评估指标':211 '减脂':661 '分析用户反馈中的关键词':399 '分步执行':385 '分阶段上线':234,514 '分阶段上线计划':547 '判断当前系统属于哪种类型':409 '到':58,75,108,124,138,553,635,643 '制定改写清单':230 '加一点随机不等于多元推荐':282 '协同':79 '单一优化':291 '单一推荐':338 '单一推荐的本质':252 '单一算法驱动':74 '原目标':577,667 '反信息茧房':690 '反信息茧房推荐':319 '反向':445 '反向推荐':101,592,604 '反馈机制':495 '发现推荐':91 '发现的问题':189 '只上线探索推荐入口':529 '只看点击率':137 '只问':292 '可以关闭':725 '可能只是某个压力下暂时抓住的一个片段':734 '可能性推荐':327,706 '可能需要完全不同的东西':278 '可解释推荐':125 '各阶段监控指标':548 '同一个人在不同时间':275 '听完':148 '听腻了':567 '周末手工市集':325,702 '因为':129 '因为你喜欢':628 '因为你最近常看效率类内容':722 '因为你看过的':503 '困住你':383 '围绕一个目标函数运转':253 '在目标函数中加入多样性':428 '在线音乐平台':38 '在线音乐平台基于协同过滤推荐':556 '场景描述':555,645 '城市散步路线':687 '基于你喜欢的':90 '基于历史收听的协同过滤':598 '基于用户历史收听的协同过滤推荐':40 '处理':394,424,457,491,521 '复购率':260 '多元优化':295 '多元性引入':72 '多元推荐':288 '多元推荐不是精度的对立面':280 '多元推荐不是随机推荐':238 '多元推荐改写方案':48 '多元推荐改写清单':6,15 '多元推荐永远':336 '多元推荐混合比例':448 '多元推荐混合比例建议':199 '多元推荐真正要重写的不是推荐策略':299 '多元推荐策略设计文档':482 '多元推荐类型清单':87 '多少不同类型被推荐':152,349 '多少是用户没接触过的':351 '多样性':30,236,544 '多样性指标':150,347 '多样性现状':569,657 '多样性评估指标':213 '多算法混合':76 '多维度评估':139 '大多数推荐系统今天之所以有效':254 '好的推荐系统不是让用户沉迷于自己喜欢的':248 '如':439,608 '如果只看点击率和停留时长':335 '完整消费率':146,345 '定义新的评估指标':432 '实际危险':273 '小流量验证':219,525 '帮你发现':21,554,636 '帮你发现什么':59 '帮你发现你还不知道自己会喜欢的':11 '帮助用户遇见尚未定义的自己':328 '常听快歌':609 '常见误判':235 '当前推荐类型':187 '当前推荐系统描述':33,177,391 '当前推荐系统的问题定位':389 '必须引入新指标':339 '快速使用法':224 '忽视准确性':240 '总是推荐类似的歌':43,558 '总是看到类似的东西':26 '总是看类似的':655 '总是类似的':400 '总是类似的歌':566 '惊喜度':155,352,407,435 '想听点新的':44,559 '想找新歌但不知道搜什么':568 '想看点不一样的但找不到':656 '想要提升推荐的多样性和惊喜感':27 '意外之选':86 '慢生活访谈':689 '慢跑社区':326 '懂你':381 '我能更准吗':368 '所以推荐':130,505 '所谓':380 '手工陶瓷短视频':688 '打开某类推荐':118,379 '扩展到':64 '承认当前目标函数过于狭窄':426 '把人越推越窄':294 '担心过度个性化导致信息蚕房':28 '拓宽你':644 '持续放大更情绪化':265 '按钮':461,622,715 '换个口味':606 '换个方向':714 '探索':83,443,719 '探索成功率':582 '探索推荐':97,307,590,599,683 '探索模式':499,625 '探索目标':429 '控制权交还用户':105,364 '推恢复':698 '推荐':727 '推荐不只留在屏幕内':324 '推荐中':570 '推荐中多少是用户没接触过的':154 '推荐了不同视角的慢生活内容':723 '推荐了风格相近的':630 '推荐开关':724 '推荐慢歌':610 '推荐是否有':128 '推荐模式切换':623 '推荐目标是否从':62 '推荐目标重定义':54 '推荐类型':88 '推荐类型标签':716 '推荐类型设计':451,595,678 '推荐系统不该只竞争':729 '推荐系统的改进需要渐进':245 '推荐线下活动':474 '推荐解释':627,721 '描述当前推荐系统和问题':226 '提供从单一推荐到多元推荐的改写框架':14 '提升用户活跃度和收听时长':46 '收藏率':144,344 '改写框架':51 '改进机会':191 '放松':699 '效率':660,681,717 '效率类':726 '新手烹饪课':704 '新目标':579,669 '新评估指标':140 '新鲜度':153,350,406,434 '新鲜度三者':31 '新鲜度极低':573 '方向':304 '无策略地增加噪音':286 '时代的推荐系统不再是':8 '明确当前推荐系统的目标函数':396 '是否为用户提供':85 '是否帮助用户发现新兴趣':68 '是否引入了多种推荐策略':78 '是否有意识地控制同类内容的聚集':84 '是否有推荐的多样性说明':132 '是否看完':147 '是否考虑了用户的长期价值':66 '是因为目标清晰':255 '是用户已听过的同类风格':572 '普通人与不完美生活和解的故事':694 '暂停不等于落后':321,692 '更容易低成本理解':267 '更容易比较模仿':266 '更开阔':309 '更接近用户已有偏好的东西':268 '最后很可能只是':382 '最大化停留时长':653,668,670 '最大化播放完成率':578,580 '有策略地保留探索空间':289 '本地慢跑社区':705 '本地演出信息':616 '核心区分':284 '核心概念':250 '核心理念':305 '根据你当前的场景':94 '根据时间':464 '检查项':61,77,110,126 '概念一':251 '概念三':302 '概念二':279 '概念五':363 '概念四':333 '模式':310 '歌单':602 '歌手a':629 '歌手b':631 '正在流行的':100 '没想到但很喜欢':157,353 '没新意':401 '活跃度提升':162,359 '深夜不推':317,696 '深夜推舒缓':612 '混合推荐':412 '混合比例':586 '点击率':63,143,256 '熟悉推荐':89 '状态':465 '状态判断当前需要':316 '独立书店':703 '猜你喜欢':9,18,552,634 '猜你喜欢什么':56 '现实连接率':674 '现状':39 '现状诊断':388,562,651 '现状诊断报告':414 '生活':718 '用完':149 '用户':528,536 '用户会觉得推荐':242 '用户体验变差':287 '用户兴趣类别是否变宽':161,358 '用户反馈':34,42,156,180,392,557,565,654 '用户可以关闭某类推荐':509 '用户可以影响推荐':109 '用户成长':65,545 '用户成长指标':159,356 '用户成长评估指标':215 '用户控制设计':202,485,620,713 '用户控制设计方案':511 '用户控制设计清单':371 '用户是否保存':145 '用户是否可以主动选择推荐类型':113 '用户是否可以关闭':117 '用户是否可以看到':114 '用户是否可以表达':111 '用户最近两周反复看':658 '用户点击的不等于完整的自己':733 '用户维度更丰富':290 '用户能否主动选择推荐类型':374 '用户能否关闭':378 '用户能否理解为什么被推荐了':127 '用户能否看到':375 '用户能否表达':372 '用户还能从系统的默认路径里出来吗':370 '留住你':642 '留存改善':165,360 '的全部产出':520 '的单一推荐':19 '的多元推荐系统':22 '的比例':158,354 '的解释':116,131,377 '监控三类指标':542 '目标':45 '目标函数':563,652 '目标函数重写':418,576,666 '目标重定义':196 '看起来精准':272 '知识内容产品从':641 '知识内容平台想提升停留时长':646 '短期增长未必最优':331 '确定多元推荐的混合比例建议':438 '示例':549,639 '示例输入':36 '社交':82 '社交推荐':95 '社区':475 '空间':315 '精准':441 '精准推荐':588,596,679 '精准模式':498,624 '系统不是更完整地理解了你':270 '系统会越来越偏爱最能服务那一目标的内容和行为':264 '系统决定你看什么':107 '系统持续强化':663 '纯协同过滤':410 '结合时间':314 '结果':269 '结论':632,728 '续费率':261 '维度':52,70,103,119,133 '综合输出格式':167 '而不是回复旧偏好':69 '而不是短期满足':67 '而是':10 '而是不同视角':471 '而是产品目标函数本身':300 '而是对单一目标精度的修正':281 '而是帮助用户发现更大的世界':249 '而是推荐哲学的重写':638 '而是有策略的多样':239 '而是轻轻假设':709 '而是选了你的一个维度不断放大':271 '自律':659 '自律人':708 '自律类内容':682 '节奏调整推荐':466 '覆盖率':151,348,405,433 '让用户主动切换':308 '让用户能从默认轨迹里拉出来':365 '设计':493 '设计上下文推荐逻辑':463 '设计反信息茧房推荐':468 '设计可能性推荐':478 '设计探索推荐入口':459 '设计推荐开关':508 '设计推荐类型切换入口':497 '设计推荐解释':502 '设计评估指标':232 '设计连接现实推荐':473 '评估当前推荐的多样性现状':404 '评估指标':50 '评估指标升级':135 '评估指标必须同步升级':334 '评审时不能只看见更多点击':361 '谁帮你回到更宽阔的现实':732 '谁更懂你':730 '越推越窄':402,648 '趋势推荐':99 '转化率':259 '轻轻帮助遇见可能的未来':480 '输入':32,390,420,453,487,516 '输出':47,413,446,481,510,546 '运动推能量':614 '还要看见用户是否越来越窄':362 '还要问':369 '还该竞争':731 '这个':12 '这些方向比单一推荐更难':330 '进化到':20 '连接现实':720 '连接现实推荐':323,615,701 '透明度设计':121,204 '逐个维度评估':228 '逐步放量':221,533 '通勤推节奏':613 '重写后的目标函数':447 '长期留存率变化':166 '问题':41,262 '附问题定位和改进机会':415 '除非用户能主动拉自己出来':384 '陪伴类内容':700 '随机性':237 '随机推荐':285 '随机模式':626 '需要平衡准确率':29 '音乐人见面会':617 '音乐平台从':551 '频率变化':164 '黑盒推荐':123","prices":[{"id":"f0215fae-d9b2-4bc3-a1a0-73098791637b","listingId":"4a0c5c55-e61a-45fd-9a52-af0b5c883cf1","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:02:53.133Z"}],"sources":[{"listingId":"4a0c5c55-e61a-45fd-9a52-af0b5c883cf1","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p0g-diverse-recommendation-rewriter","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p0g-diverse-recommendation-rewriter","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:53.133Z","lastSeenAt":"2026-05-18T18:57:26.819Z"}],"details":{"listingId":"4a0c5c55-e61a-45fd-9a52-af0b5c883cf1","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p0g-diverse-recommendation-rewriter","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"8dc4629960bede1221a41b3c7d855af7e10c4d7a","skill_md_path":"skills/p0g-diverse-recommendation-rewriter/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p0g-diverse-recommendation-rewriter"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"p0g-diverse-recommendation-rewriter","description":"多元推荐改写清单。AI 时代的推荐系统不再是\"猜你喜欢\"， 而是\"帮你发现你还不知道自己会喜欢的\"。这个 Skill 提供从单一推荐到多元推荐的改写框架。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p0g-diverse-recommendation-rewriter"},"updatedAt":"2026-05-18T18:57:26.819Z"}}