# 工程与理论的权衡

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第6章 工程实现
- 页码线索：207-211
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P0
- 标签：tradeoff, engineering, cost

## 面试问题

推荐系统工程中有哪些典型取舍？

## 30 秒回答

工业推荐不是追求理论最优，而是在效果、延迟、成本、研发周期、硬件环境、稳定性和可维护性之间做系统性权衡。

## 展开要点

- Redis/存储容量会限制 embedding 或结果预存方式。
- 研发周期会影响是否选择成熟方案还是自研。
- 硬件环境会影响模型结构和推理复杂度。
- 局部模型提升必须服务整体系统收益。

## 高频追问

- 效果提升 1% 但成本翻倍要不要上？
- 工程约束和算法理想冲突怎么办？
- 如何评估一个模型改进是否值得上线？

## 项目映射

- 用一次“复杂模型不上线”的案例展示成熟判断。
- AI 产品中 GPT-5/小模型/缓存/规则的成本取舍。

## AI PM 迁移

AI PM 的核心能力之一就是把模型能力翻译成可上线、可负担、可维护的产品方案。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。