工业级推荐/匹配系统极少用单一模型搞定一切，核心原因是成本分层。召回阶段必须用双塔架构把「匹配」压缩成一次向量点积，才能在十万级池中以毫秒级速度捞出候选——双塔之间不在中间层交叉，这是它能离线预计算物品向量的纪律。粗排用轻量规则模型将候选从几百压至几十，淘汰明显不合适的。最后精排才让Cross-Encoder上场，把商家完整诉求和达人文本拼接做深度双向注意力，精度最高但每条都得跑完整Transformer推理。三层缺一不可，少了哪一层，系统要么精度崩塌要么时延不可用。

双塔模型是推荐系统召回的绝对主力，2013年微软DSSM首开先河。核心是把用户和物品分别编码成固定维度向量（各一个塔），匹配只需一次点积或余弦相似度。关键约束在于：两个塔不能在中间层交叉——一旦交叉，物品向量就无法脱离用户单独计算，离线预计算+ANN索引这个部署前提立刻失效。代价是双塔只能捕捉浅层风格相似（如"搞笑风格"对得上），无法理解「这个达人适不适合接这条商业广告」的深度商业关系——这正是双塔只能做召回、不能被精排替代的根本原因。

文章拆解的AI达人撮合系统与猎聘「魔镜」AI面试官遵循几乎相同的工程范式：都用大模型做结构化解析（需求解构成槽位vs 简历解构成评估维度），都用「召回-粗排-精排」分层匹配，都用规则引擎做硬兜底。区别在于：达人匹配的「物」是达人的被动数据（标签/作品），而AI面试的「物」是候选人的实时互动（语言/表情/眼神）——后者多了实时多模态解析层，对延迟和交互自然度要求更高。同一套架构在「选人」和「选内容」两个场景的适配差异，揭示了AI产品经理的核心工作不是从零造轮子，而是把通用框架翻译到具体业务约束里。

文章提炼出AI产品经理的四个核心工作——翻译、约束、兜底、度量。这套框架正被更多垂直场景验证：某头部电商平台把同样的「约束先于能力」思路用到客服工单生成，用业务标签映射+关键实体提取+情绪标准化+行动指令化四个约束模块，把AI的幻觉率从30%压到0.8%，日均处理8万工单。关键信号是：行业已经从「看模型能力」转向「看系统可靠度」，谁能用工程化约束把概率模型塞进确定性业务流程，谁就能真正规模化落地。下一个爆发点可能是医疗/法律等强合规场景的AI辅助系统。

很多团队在Prompt里写满规则，但AI依然「我行我素」。核心矛盾在于：大语言模型本质是概率预测系统，软约束只是调整了概率分布，没有关掉「违规」通道。真正可靠的解法是把确定性逻辑从模型中剥离到外部规则引擎——例如让模型只管输出结构化JSON，再由规则层做字段校验、枚举值拦截、整数范围检查。文章里竞品规避、黑名单过滤、高预算人工复核这三层兜底，本质上就是硬约束。值得追问的是：那些规则引擎也兜不住的边界案例（如语义上的恶意擦边），产品经理应该怎么设计检测和响应机制？