
# 什么是LLM做推荐的三种范式？Prompt-based、Embedding-based、Fine-tuning深度解析

🚀 本文收录于Github：[AI-From-Zero](https://github.com/laizhuoc/AI-From-Zero) 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

> by @Laizhuocheng

---

## 一、简介

想象你去一家新开的餐厅，服务员有三种方式为你推荐菜品：

- **第一种**：服务员直接问你"想吃什么"，然后根据你的描述现场思考推荐（像Prompt-based）
- **第二种**：餐厅已经把所有菜品的特色标签化，快速匹配你的口味偏好（像Embedding-based）
- **第三种**：服务员跟你相处久了，记住了你每次来点的菜，越来越懂你的口味（像Fine-tuning）

这就是大语言模型（LLM）做推荐的三种核心范式。随着ChatGPT的爆火，越来越多人开始探索：能不能让"懂一切"的LLM来帮我们做推荐？本文将深入解析这三种技术路线，帮你理解它们各自的优势和适用场景。

---

## 二、什么是LLM推荐的三种范式

简单来说，这三种范式代表了我们对LLM能力**利用深度**的不同选择：

| 范式 | 核心思路 | 类比 | 技术深度 |
|------|----------|------|----------|
| **Prompt-based** | 把LLM当黑盒推理引擎，用自然语言描述推荐任务 | 现场问服务员 | 浅层利用 |
| **Embedding-based** | 只用LLM的语义编码能力生成特征向量 | 菜品标签系统 | 中层利用 |
| **Fine-tuning** | 让LLM专门学习推荐任务，深度适配业务 | 专属私人管家 | 深度利用 |

三种范式的投入成本和效果预期是递增的。实际应用中它们经常**组合使用**，比如用Embedding做召回、Fine-tuned模型做排序、Prompt处理特殊case。

---

## 三、三种范式如何工作

### 3.1 Prompt-based：直接对话式推荐

这是最直接的方式。你把用户历史行为、候选物品信息通过自然语言组织成prompt，让LLM直接生成推荐结果。

**举个例子**：
```
用户最近观看了《人类简史》《时间简史》这两个纪录片，
请从以下列表中推荐三个最相关的视频：
1.《宇宙探秘》 2.《美食之旅》 3.《量子物理入门》... 

请按照JSON格式返回结果，包含视频名、推荐理由、相关度评分。
```

**关键技巧**：
- **角色设定**：在prompt开头加上"你是一个资深的图书推荐专家..."
- **格式控制**：明确要求输出格式（JSON、列表等）
- **Few-shot示例**：加几个成功案例让LLM学习推荐模式

**工程实践中的优化**：
- 候选集太大怎么办？先用传统召回缩小到几十个，再用LLM精排
- 延迟太高怎么办？做多级缓存+异步预生成

---

### 3.2 Embedding-based：语义向量召回

这种方式不直接让LLM做决策，而是利用它强大的**语义编码能力**生成高质量的表征向量。

**工作流程**：
1. 用LLM把商品标题、描述编码成768维向量
2. 把向量存入Faiss等向量数据库
3. 用户查询时，实时检索最相似的向量

**为什么比传统方法好？**

传统推荐可能只用到"类目、价格、销量"这些结构化特征。但LLM能把"有机手工阿克苏冰糖心苹果新鲜水果"编码成一个包含"健康""高品质""新鲜"等语义信息的向量。

**进阶技巧——多路召回融合**：
```
最终向量 = concat(语义向量, 协同向量, 结构化特征向量)
```

把LLM生成的semantic embedding和传统协同过滤的behavior embedding拼接，既能捕捉语义关系，又能保留"喜欢周杰伦的人也喜欢林俊杰"这种协同信号。

---

### 3.3 Fine-tuning：深度定制推荐模型

这是最重的方案——让LLM彻底学习推荐任务本身。

**核心思路**：
把用户行为序列化成文本，训练模型预测下一个item：
```
输入："用户依次点击了商品A、B、C"
目标：预测下一个item D
```

**关键技术细节**：
- **滑动窗口构造样本**："A"→"B"，"A,B"→"C"，充分利用序列数据
- **Hard Negative采样**：选同类目但用户没点的商品做负样本
- **时序权重**：最近行为给更高权重

**训练成本优化——LoRA技术**：

LLM动辄几十亿参数，全量fine-tune太贵。LoRA只在原模型旁加一个低秩矩阵：
- 原权重：4096×4096 = 1600万参数
- LoRA：两个4096×8矩阵 = 6万参数
- 效果损失很小，但成本大幅下降
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/73c36fe35cba40fb463796c6c53bb31e.png)


---

## 四、三种范式的优缺点对比

| 维度 | Prompt-based | Embedding-based | Fine-tuning |
|------|--------------|-----------------|-------------|
| **数据需求** | 几乎不需要标注数据 | 需要物品描述文本 | 强依赖大量用户行为日志 |
| **计算成本** | 每次推理调用LLM，延迟秒级 | 离线生成向量，在线毫秒级 | 训练成本高，推理可优化 |
| **效果上限** | 最不稳定，但冷启动有优势 | 中等，语义召回效果好 | 通常最好，深度适配业务 |
| **工程复杂度** | 中等，需要设计prompt | 最容易集成到现有系统 | 需要完整的训练pipeline |
| **可解释性** | 强，能生成推荐理由 | 弱，黑盒向量 | 中等 |
| **适用场景** | 冷启动、长尾query、对话推荐 | 大规模语义召回 | 核心推荐链路、追求效果上限 |

**选型建议**：
- **新上线内容**（0曝光）→ Prompt-based
- **已有几千次曝光** → Embedding-based
- **核心场景**（首页推荐）→ Fine-tuning

---

## 五、实际应用与发展趋势

### 5.1 实际应用场景

**场景1：电商平台的冷启动**
新上架的商品没有用户行为数据，直接用商品描述让LLM做语义匹配推荐，零成本上线。

**场景2：新闻推荐的长尾query**
用户搜索"适合3岁孩子的英语启蒙绘本"，传统推荐很难处理这种复杂语义，但LLM能理解并直接给答案。

**场景3：音乐平台的混合架构**
- 主推荐流：Fine-tuned模型保证效果
- 新歌曲冷启动：Prompt-based做初始推荐
- 搜索功能：Embedding做语义召回

### 5.2 前沿发展趋势

1. **交互式推荐**：ICLR的Chat-Rec论文把推荐做成多轮对话，用户可以不断refine推荐结果

2. **知识增强**：把领域知识图谱注入LLM，增强推荐效果

3. **多模态融合**：结合文本、图像、视频等多模态信息做推荐

4. **特征工程依然重要**：单纯用商品标题效果一般，加入评论、问答等UGC内容，召回相关性会明显提升

---

## 六、总结与思考

LLM推荐相比传统推荐的**本质优势**在于：传统系统做的是"模式识别"，基于历史行为的统计规律做预测；而LLM引入了**世界知识和推理能力**，它不只是记住"买A的人也买B"，而是理解A和B在语义上为什么相关。

**一句话总结**：Prompt-based是"现场问专家"，Embedding-based是"建立语义索引"，Fine-tuning是"培养专属专家"。成熟的推荐系统会根据不同子场景灵活组合这三种范式——核心链路追求效果上限，冷启动保证覆盖，对话式交互提升体验。

> 💡 **深度思考**：当LLM越来越强大，推荐系统的边界在哪里？也许未来的推荐不再是"猜你喜欢"，而是"陪你发现"——从被动的信息推送，进化为主动的知识探索伙伴。这不仅是技术的升级，更是人机关系的重新定义。

---

**参考资源**：
- RecLLM：LLM推荐综述论文
- Chat-Rec：对话式推荐（ICLR）
- EasyRec：阿里推荐框架


🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

什么是LLM做推荐的三种范式？Prompt-based、Embedding-based、Fine-tuning深度解析

想象你去一家新开的餐厅，服务员有三种方式为你推荐菜品：

- **第一种**：服务员直接问你"想吃什么"，然后根据你的描述现场思考推荐（像Prompt-based）
- **第二种**：餐厅已经把所有菜品的特色标签化，快速匹配你的口味偏好（像Embedding-based）
- **第三种**：服务员跟你相处久了，记住了你每次来点的菜，越来越懂你的口味（像Fine-tuning）

这就是大语言模

数据开发/数据仓库

人工智能

算法

大数据

本文深入解析LLM做推荐的三大范式：Prompt-based（直接对话推荐）、Embedding-based（语义向量召回）、Fine-tuning（深度定制模型）。对比分析三种方法的数据需求、计算成本、效果上限及适用场景，帮助开发者根据业务需求选择最佳方案。掌握LLM推荐技术，提升推荐系统效果。

向量数据库

数据库

ChatGPT

JSON

2026采购季 | AI焕新·智启新局

tione

tencentdb-catalog

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

什么是LLM做推荐的三种范式？Prompt-based、Embedding-based、Fine-tuning深度解析-腾讯云开发者社区-腾讯云

什么是LLM做推荐的三种范式？Prompt-based、Embedding-based、Fine-tuning深度解析

什么是LLM做推荐的三种范式？Prompt-based、Embedding-based、Fine-tuning深度解析

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐