会飞的荧
@feitu
工业界的一次大拆建：Netflix 用一个 LLM 排序器换掉了用了 15 年的推荐算法，新系统叫 GenRec。过去十几年，那套推荐引擎是特征工程的教科书——数据科学家手工打造上千个复杂特征、配专属架构、搭海量基础设施、持续人工调优；这次他们全扔了。
新做法朴素得吓人：把你的观看历史和元数据直接翻译成一句自然语言，喂给基础模型——模型像读故事一样理解你不断变化的口味，一次前向传播给整个目录打分，没有手工特征、没有定制架构。
这一拆至少拆出三层意思，每层都对得上本周的一条线。第一层：旧技能被模型吞了。特征工程曾是数据科学的核心手艺，如今"把手搓特征"这部分工作被模型原生吃掉——和提示词技巧贬值是同一个故事：凡是"替模型把信息翻译好"的中间环节，模型每进化一代就吞掉一层。
第二层：翻译的方向变了。以前是把人的行为翻译成数学（特征、向量、打分函数），现在是把行为翻译成模型的母语（自然语言）——这与"能给结构就别给像素"互为镜像：与其教系统懂你，不如把你的意思写成它本来就懂的话。
第三层最扎心：15 年积累，说扔就扔——"先发是入场券，不是护城河"那篇在这里拿到最重的工业实证。积累在代际更替面前不是负资产，但也不是保命符：能被通用模型复刻的部分，当年建得再精，也只算租来的优势。
"全扔了"这个动作的底气也值得看：以前换推荐系统要重搭整套定制架构，如今通用模型＋一次翻译就能顶上——专用系统退场、通用组件进场，这正是"能力可以外采、结构必须自持"在推荐场景的版本：模型是外采的能力，你只留下"怎么喂它、怎么验收"的那层。
Netflix 敢扔，是因为扔掉的是能力层，留下的是判断层。十几年 feature engineering 的沉没成本在决策者眼里不构成理由——他们比较的不是新旧两套系统谁更精致，而是继续养一套专用架构的人力，值不值。
留一格清楚的边界：这是发布与转述口径，效果以上线后的公开数据为准——推荐系统这种业务，A/B 实验的胜负才是终审；而且"全扔"未必是字面意义的清零，评估、冷启动、合规这些零件大概率还在。别拿一篇宣布当"特征工程已死"的判决书，但它足以让所有还在堆手工特征的人停下来想一分钟。
给做数据与推荐的人一句落地的：今天翻出你系统里最复杂的那十个特征，逐个问一句——这件事模型自己能不能从原始数据看出来。能的，就是正在被吃掉的部分；不能的（业务规则、合规边界、长期约束），才是你该继续打磨的地方。判断哪些特征是"翻译"、哪些是"规则"，就是这场替换里最值钱的技能——翻译会被吞掉，规则不会。
