recsys-pipeline-architect Skill：xAI 推荐算法六阶段架构让 AI Agent 秒建生产级 pipeline

Skill超级捕获手 技术创作者 2026-07-28 27 阅读

在 AI Agent 大规模落地推荐系统的今天，如何把「候选源→过滤→排序→选择」这套 pipeline 用结构化、可复用的方式搭出来？recsys-pipeline-architect 就是答案——一个基于 xAI 开源 For You 算法提炼出的六阶段推荐架构 Skill，指导你在 8 步内生成可直接跑通的推荐 pipeline 脚手架，支持 TypeScript / Go / Python / Rust 四个语言。

这个 Skill 为什么值得关注？因为它把业界顶级推荐系统的工程Know-How（多动作预测、候选隔离、在线/离线权衡）变成了一份可直接调用的 Agent 技能，让没有推荐系统背景的开发者也能在短时间内搭出生产级 pipeline。

功能与原则

recsys-pipeline-architect 是一个「规格+脚手架」型 Skill，通过 8 步工作流引导你完成推荐系统 pipeline 的设计与实现。其核心是六阶段架构：Source（候选来源）→ Hydrator（数据补全）→ Filter（粗筛过滤）→ Scorer（多维打分）→ Selector（取 TopK）→ SideEffect（异步副作用）。这个框架来自 xAI 开源的 For You 算法（Apache 2.0），Skill 本身是 MIT 独立重新实现。

核心设计原则：
– 候选先于过滤：先知道有哪些候选，再为它们补全元数据，最后才做昂贵的打分计算
– 过滤器顺序不能乱：便宜的过滤器在前，贵的在后；通用过滤器在前，用户级别在后
– 打分链可组合：ML 打分 + 多样性重排 + 业务规则，按顺序组合，输出结果可缓存
– 副作用必须异步：缓存写入、埋点上报绝不能阻塞用户响应

认可度

  • GitHub star 数：截至 2026-07-28，约 1.9k+（ECC 仓库下多个 Skill 之一，实际独立仓库 star 更少但增长快）
  • SkillHub.club 排名：搜索「trending」关键词排名第二（585 个匹配结果中），评分 229.1（SkillHub 综合评分）
  • 平台覆盖：agentskills.io 收录，支持 Claude Code / Codex / Cursor / Gemini CLI / OpenCode 等 50+ 运行时，一键安装

链接

GitHub：https://github.com/mturac/recsys-pipeline-architect

原作者

@mturac（GitHub username: mturac）——专注推荐系统与 AI Agent 工程化，开源项目覆盖 pipeline 架构、过滤策略、打分模式等推荐系统核心组件。

介绍

大多数生产级推荐系统本质上不是「 exotic ML 模型」，而是 pipeline。你从若干来源拉取候选、补全元数据、过滤掉不合格的候选、对剩余候选打分、排序取 TopK、最后异步触发缓存和埋点——模型和 item 会变，但 pipeline 形状基本不变。

xAI 在 2024 年将这套 pipeline 形状开源为 For You 算法（Apache 2.0），mturac 将其提炼为一个可复用的 Claude Skill，适用于任何需要「为某用户在某场景下选出 TopK item」的场景：社交信息流、RAG 重排序、任务优先级调度、通知分发、搜索结果重排、广告选品。

这个 Skill 不是教你设计模型（transformer、embedding 训练不在范围内），而是解决「模型以外 pipeline 如何搭」的工程问题。Skill 包含完整的 SKILL.md 规范文档，以及 5 份按需加载的深度参考文档（4 种语言的接口定义、多动作打分模式、候选隔离策略、12 种过滤器 cookbook、打分器 cookbook）。

特点

  • 六阶段标准化架构：Source → Hydrator → Filter → Scorer → Selector → SideEffect，每阶段职责清晰，顺序强制
  • 8 步完整工作流：从需求确认到 scaffold 生成，每步都有具体问题要回答，确保架构不过度设计也不遗漏关键决策
  • 多语言脚手架生成：输出 TypeScript / Go / Python / Rust 四个语言的完整可运行示例，三个 example 均带测试套件
  • 关键权衡显式暴露：多动作预测 vs 单分数、候选隔离 vs 联合打分、在线 vs 离线——不让你默认通过
  • 反模式明确列出：打分在过滤前、同步副作用、单一 relevance score 当默认——都是坑，提前告诉你别踩

使用方法

安装（任意 Agent 运行时）：

# 方式一：skills.sh 一键安装
npx skills add mturac/recsys-pipeline-architect

# 方式二：Git clone 到对应 runtime 的 skills 目录
git clone https://github.com/mturac/recsys-pipeline-architect.git 
  ~/.claude/skills/recsys-pipeline-architect

调用触发关键词（在 Claude Code / Codex / Cursor 等 Agent 中直接说）：
– “recommendation system”
– “feed algorithm”
– “ranking pipeline”
– “for you feed”
– “candidate pipeline”
– “content recommender”
– “RAG retrieval reranker”

Agent 会自动加载 SKILL.md 并进入 8 步对话流程。

最小示例（以任务优先级为例）：

用户提出需求后，Agent 引导你：
1. 确认 item 类型（task）、上下文（user_id + limit）、语言/运行时
2. 确定候选来源（数据库查询 / API）
3. 列出需要的 hydration（优先级、截止日期、项目信息）
4. 设计过滤器链（已完成、已过期、自己发布的）
5. 打分链：优先级分 × 权重 + 截止日期衰减 + 项目多样性惩罚
6. Selector：按最终分降序，取 topK
7. SideEffect：更新 served_history、发送埋点事件
8. 生成 scaffold → 输出可直接 pytest 的 FastAPI endpoint

使用场景与人群

适用场景：
– 社交/内容平台的 For You 信息流设计
– RAG 系统的 retrieval reranker pipeline
– 任务/通知系统的优先级排序
– 搜索结果重排（ad ranking / organic ranking）
– 任何「给某用户在某 context 下选 TopK」的决策场景

目标用户：
– 有推荐系统需求但没有专业 recsys 背景的后端/全栈工程师
– 想用 Agent 快速搭建可运行环境 AI 应用的产品开发者
– 需要将推荐系统知识结构化输出的 AI 工程师团队

输入与输出案例

案例一：内容信息流

输入：我要给一个技术博客搭「为你推荐」模块，用户登录后看到个性化文章列表

Agent 引导输出：
– Source：用户关注的标签（in-network）+ 同类用户高赞文章（out-of-network）
– Hydrator：文章点击率、阅读时长、用户标签匹配度
– Filter：已读文章、去重、发布时间 < 30 天
– Scorer：P(read) × 0.5 + P(like) × 0.3 + 标签匹配度 × 0.2
– Selector：按最终分降序，取 top 20
– SideEffect：写入用户已服务列表、更新标签权重

案例二：任务优先级调度

输入：帮我做一个任务排序 API，按优先级、截止日期、项目多样性给用户返回接下来最值得做的 10 个任务

Agent 引导输出：
– Python scaffold + FastAPI endpoint：GET /tasks/next?user_id=42&limit=10
– 包含完整过滤链（已完成、过期）、打分公式（优先级 + 截止衰减 + 多样性惩罚）、pytest 测试套件
– 在线 serving 模式：100ms 内返回，可直接集成到团队任务管理系统

GitHub: https://github.com/mturac/recsys-pipeline-architect

评论区

0 条评论

登录后可评论。

Skill超级捕获手 27 阅读