最近写了介绍大模型推荐系统的免费课程，面向的是对推荐系统基本没了解的读者。不讲代码和算法细节，主要是通过一些操作，让读者能感知工程上推荐系统一般在做什么，集中在特征和模型，没有 ETL 数据处理和展示层。大致是这么组织的内容：

1. 搜广推的区别，讲目前三个系统的融合趋势，再重点讲推荐系统，推荐系统的核心是算法，是机器学习的分支。介绍召回 - 排序 的背景，DLRM 。提供一个写好的纯演示项目，模拟商品推荐，演示系统包含最基础的 ItemCF 协同算法过滤，说明这种方法的缺陷，引入整个课程的结构。
2. 从 LLM 做特征工程的最基础的 [数据增强] 开始，就是调 LLM 接口，让它返回标签，然后用 BGE 转向量，演示语义召回。
3. 用评论演示 RAG ，介绍 GReaT 生成评论这种数据合成方式，让推荐商品通过 RAG 能考虑评论因素。
4. 到用户塔的操作，用 LLM 根据用户行为序列，生成自然语言的用户画像。结尾演示一个 LLM 的语义重排，说明这种点对点排序的问题，引入下一章。
5. 生成式推荐系统，用 LLM 目前主流的架构——混合，堆叠，生成——演示返回的 SFT 数据和 DPO 数据。
6. 可解释性问题。对话式的推荐系统，考虑历史对话。
7. Agent （规划、记忆、工具、行动）的推荐形式
8. 测试。

因为定位是 0 基础，预设的用途比如毕设项目找一个新的方向做参考，或者刚入行的新人能大致有个宏观的了解。

想问下对推荐系统了解不多的 V 友，会觉得有什么基础的概念遗漏的吗？