Scenario 19: TikTok 短视频推荐
V1 — 1人用：纯前端全屏滑动播放
Section titled “V1 — 1人用：纯前端全屏滑动播放”你想做一个短视频Demo，手机上全屏滑动切换视频，类似TikTok的体验。
你要解决什么
Section titled “你要解决什么”- 全屏竖屏视频播放
- 上下滑动切换（CSS scroll-snap）
- 硬编码视频URL列表，无需后端
- 自动播放当前视频，离开时暂停
给AI的Prompt
Section titled “给AI的Prompt”用HTML+CSS+JS做一个短视频播放页面。视频URL硬编码在JS数组里（用公开的mp4链接）。 全屏竖屏布局，CSS scroll-snap实现上下滑动切换。当前可见的视频自动播放， 滑走后暂停。显示简单的点赞按钮（计数存localStorage）。移动端优先。
- 全屏滑动流畅，snap到每个视频
- 当前视频自动播放，离开暂停
- 点赞状态持久化到localStorage
- 移动端体验正常
你学到了什么
Section titled “你学到了什么”- CSS scroll-snap 实现分页滑动 → Module: CSS布局
- IntersectionObserver 检测可见性 → Module: 浏览器API
- 视频播放控制 → Module: HTML5 Media
V2 — 10人用：视频上传+元数据管理
Section titled “V2 — 10人用：视频上传+元数据管理”小团队想上传自己的短视频，需要后端存储视频文件和元数据。
你要解决什么
Section titled “你要解决什么”- 视频文件上传（限制大小和格式）
- SQLite存储视频元数据（标题、上传者、时长）
- 按上传时间倒序的Feed API
- 视频文件本地存储
给AI的Prompt
Section titled “给AI的Prompt”Go+Gin后端，SQLite数据库。实现视频上传API（POST /api/videos，multipart）， 限制100MB以内，只接受mp4/webm。文件存到 data/videos/ 目录。 元数据存SQLite（id, title, filename, uploader, duration, created_at）。 GET /api/feed 返回按时间倒序的视频列表。前端用V1的滑动播放器展示。
- 视频上传成功，文件保存到本地
- 格式和大小校验正确拒绝
- Feed API返回正确的视频列表
- 前端能播放上传的视频
你学到了什么
Section titled “你学到了什么”- 文件上传处理 → Module: HTTP文件处理
- SQLite基本操作 → Module: 嵌入式数据库
- 静态文件服务 → Module: Web服务基础
V3 — 100人用：推荐Feed+视频转码
Section titled “V3 — 100人用：推荐Feed+视频转码”用户增多，需要基本的推荐逻辑和视频格式统一。
你要解决什么
Section titled “你要解决什么”- PostgreSQL存储用户、视频、标签
- 简单推荐：70%热门 + 30%随机（避免信息茧房）
- 视频转码为统一格式（720p H.264）
- 视频标签系统
给AI的Prompt
Section titled “给AI的Prompt”将SQLite迁移到PostgreSQL。视频表增加 tags, view_count, like_count 字段。 推荐Feed API：70%按热度（view_count加权）取视频，30%随机取，去重后返回20条。 视频上传后用ffmpeg异步转码为720p H.264 mp4（Go exec.Command调用）。 转码状态字段：pending/processing/done/failed。前端只展示done状态的视频。
- 推荐Feed混合了热门和随机内容
- 上传的视频被转码为统一格式
- 转码失败有错误状态记录
- 标签筛选功能正常
你学到了什么
Section titled “你学到了什么”- 简单推荐算法设计 → Module: 推荐系统入门
- ffmpeg视频转码 → Module: 多媒体处理
- 异步任务处理 → Module: 后台任务
V4 — 1000人用：个性化推荐
Section titled “V4 — 1000人用：个性化推荐”用户行为数据积累，需要根据个人偏好推荐内容。
你要解决什么
Section titled “你要解决什么”- 记录用户行为：观看时长、完播率、点赞、分享
- 用户兴趣标签画像（基于行为加权）
- 基于标签相似度的个性化推荐
- Redis缓存热门视频和用户画像
给AI的Prompt
Section titled “给AI的Prompt”新增用户行为表（user_id, video_id, watch_duration, completed, liked, shared, created_at）。 前端上报观看行为（视频播放>3秒记录，完播/点赞/分享记录）。 用户画像：根据行为加权计算标签偏好（完播权重3，点赞权重2，观看权重1）， 存Redis Hash。推荐算法：60%标签匹配 + 20%热门 + 20%探索。 Redis缓存Top100热门视频列表，每10分钟更新。
- 行为数据正确记录
- 用户画像反映真实偏好
- 推荐内容与用户兴趣相关
- 仍有20%探索内容避免茧房
你学到了什么
Section titled “你学到了什么”- 用户行为收集 → Module: 埋点系统
- 用户画像构建 → Module: 用户建模
- 基于内容的推荐 → Module: 推荐算法
V5 — 1万人用：实时推荐+多路召回
Section titled “V5 — 1万人用：实时推荐+多路召回”用户规模大，需要实时响应行为变化，推荐系统需要更复杂的架构。
你要解决什么
Section titled “你要解决什么”- Kafka收集用户行为流，实时更新特征
- 多路召回：热门召回、标签召回、协同过滤召回
- 召回结果合并+排序（简单打分模型）
- 推荐结果预计算+实时修正
给AI的Prompt
Section titled “给AI的Prompt”行为事件发送到Kafka topic(user-events)。消费者实时更新Redis中的用户特征。 多路召回实现：1)热门召回(Redis ZSET top视频) 2)标签召回(用户Top5标签的视频) 3)协同过滤召回(相似用户喜欢的视频，基于Jaccard相似度)。 每路召回50条，合并去重后按分数排序取Top30。分数=召回分0.5+新鲜度0.3+质量分*0.2。 已看过的视频过滤（Bloom Filter）。推荐列表预生成存Redis，请求时直接返回。
- 行为事件实时流入Kafka
- 三路召回各自返回合理结果
- 合并排序逻辑正确
- Bloom Filter有效过滤已看内容
- 推荐延迟<100ms
你学到了什么
Section titled “你学到了什么”- 消息队列实时处理 → Module: Kafka
- 多路召回架构 → Module: 推荐系统架构
- Bloom Filter去重 → Module: 概率数据结构
V6 — 10万+用户：全球分发+A/B测试
Section titled “V6 — 10万+用户：全球分发+A/B测试”面向全球用户，视频需要就近分发，推荐策略需要持续迭代。
你要解决什么
Section titled “你要解决什么”- 多CDN视频分发（按地域选择最近节点）
- 边缘缓存热门视频，冷门视频回源
- A/B测试框架：推荐算法对比实验
- 冷启动优化：新用户快速建立画像
给AI的Prompt
Section titled “给AI的Prompt”视频上传后推送到CDN（模拟多CDN：cdn-us, cdn-eu, cdn-asia），返回就近URL。 热门视频（Top1000）预热到所有CDN节点，冷门视频按需回源。 A/B测试：用户分桶（user_id % 100），不同桶用不同推荐策略， 记录每组的完播率/点赞率/留存率。Dashboard展示实验数据对比。 冷启动：新用户前10个视频用热门+多样化策略，根据前5次互动快速收敛偏好。
- 不同地域用户获得就近CDN链接
- 热门视频CDN缓存命中率>90%
- A/B测试分桶稳定，数据对比清晰
- 新用户10次互动后推荐明显个性化
- 推荐策略可热更新，无需重启
你学到了什么
Section titled “你学到了什么”- CDN分发策略 → Module: 内容分发网络
- A/B测试框架 → Module: 实验平台
- 冷启动问题 → Module: 推荐系统优化