jhljx/RecSys-Industrial-Book

解决的问题

该项目满足了深入、系统地理解工业推荐系统如何架构和部署的需求，而不仅仅是孤立的算法技巧。它提供了一本多章节的书籍（PDF），涵盖系统架构、评估、召回、排序、重排和融合模块，直至特征工程、离线/在线服务和偏差挑战。它还通过将书籍与能够检索章节、运行结构化课程并验证学习进度的 AI 代理配对，解决了使如此密集的技术资源易于导航和可操作的实用问题。

工作原理

该项目主要是一个 PDF 章节集合（目前上下卷共约 650 页，大约完成了一半）。为了使这本书可用作知识库，README 描述了一个配套的 AI 代理包。该代理完全在本地工作：您可以索引已发布的 PDF（即权威文本），它会在您的机器上构建可搜索的索引，而不会暴露 LaTeX 或等效的 Markdown。通过 recsys_agent.py 等命令行工具，您可以：

• 跨 19 个已发布的章节进行搜索，并获得带有准确页码的引用。
• 开始一个结构化的 12 周学习路径（新工程师或研究生），该路径会根据您的反馈和可用时间进行调整。
• 提交证据（实际的命令输出、测试分数、路径推理）来证明掌握程度，而不仅仅是声称。
• 获得自适应复习提示、主题依赖关系图和自我评估。
• 使用工程工作台来生成设计契约、审查代码和调试推荐管道。
• 运行四个动手模板项目，涵盖召回融合、双塔 ANN、特征时序一致性和过载/降级处理。

所有索引和个人进度数据都保留在您的本地机器上（被 Git 忽略）。该代理还通过 tools/install_skills.py 将标准 Agent Skills 安装到 Claude Code 等兼容客户端中。该仓库严格分离已发布的 PDF 与独立编写的章节地图、概念卡、先决条件图和基于证据的学习路径，这些内容通过自动化发布工作流与新章节同步更新。

适用对象

这本书面向具有扎实机器学习和推荐基础的读者：研究生、算法工程师、架构工程师以及从事或研究工业推荐系统的技术研究人员。它明确表示不适合完全初学者，期望具备机器学习和深度学习的先验知识。AI 代理和模板对于任何想要从阅读转向实践、基于证据的学习，或者需要构建和调试真实推荐组件的人都有用。

亮点

• 一本全面、持续更新的开源书籍，端到端覆盖工业推荐系统（目前约 650 页，约占完整计划的 50%）。
• 本地、隐私保护的 AI 代理：无需云依赖或 MCP 设置即可搜索、引用和学习 PDF。
• 基于证据的学习：面向新工程师和研究生级别研究人员的 12 周课程，带有基于提交的验证和自适应复习。
• 四个可运行的模板项目，模拟核心工业场景，如多渠道召回、双塔 ANN、特征时序一致性和过载处理。
• 一个发布工作流，保证章节更新伴随着相应的知识地图、概念卡和课程单元更新，保持所有材料同步。
• 通过简单的安装脚本，与 Claude Code 和其他 Agent Skills 客户端兼容。