INSIGHT对 UGC 搜推，社交关系不应只是独立特征，而应作为兴趣证据链参与召回和重排。可先用图路径召回候选，再让 LLM 策略只负责关系推理与可解释重排，避免在线生成全量物品；落地时需把策略、风控和回退链隔离，并同时监控路径命中率、观看时长和负反馈。

INSIGHT推荐系统常把点踩、低完播和不信任信号丢掉，DualSpectralCF 说明负反馈可以用极低工程成本改变用户—物品图的传播方向。对社区内容流，可先在召回或轻量预排中接入 signed signal，优先观察冷启动用户和负反馈率高的内容切片，再决定是否引入更重的梯度模型。

INSIGHTGenRec 把推荐优化从特征工程转成上下文工程：保留高信号行为、压缩重复历史、对冷启动物品补充元数据，再用奖励加权排序损失对齐长期价值。社区推荐若要试 LLM ranker，应先做目录约束和 prefill-only 评分，优先控制 token、显存与全量候选打分成本，而不是直接采用自回归生成。

INSIGHT社区用户的主动搜索和被动消费不是同一种兴趣信号，把它们拼成单序列会掩盖意图切换。工程上可维护 search-interest、feed-interest 和 cross-interest 三类状态，并用 query 语义做在线路由；多任务头要分别验证 nDCG、CTR 和跨场景迁移，避免单一目标吞掉搜索意图。

INSIGHT多模态推荐的线上失败常来自物料字段缺失，而不是模型容量不足。SMD 只需在训练数据管道加入四行级别的 modality dropout，就能把完整数据训练改成缺失感知训练；部署前应按图片、文本和 UGC 质量分层测 retention，并将缺失率漂移纳入模型监控。

INSIGHT个性化模型的离线提升可能只是排序实现细节带来的幻觉，尤其是 UGC 场景中大量候选分数接近时。应把 tie-aware HR/NDCG、随机种子和候选分数分布纳入评测模板，并在 A/B 前检查排序稳定性；温度缩放可作为降低分数压缩副作用的低成本试验。

INSIGHT多模态权重不应只按用户或物品静态学习，季节、活动和内容生命周期都会改变模态价值。对社区推荐可先用轻量时间路由器替换固定融合系数，再把过时模态边做衰减；扩散式图重构属于第二阶段优化，必须以离线收益与线上延迟共同设门槛。

INSIGHT用户活跃度差异意味着同一套消息传播层数并不适合所有人：长尾用户更容易被过平滑，头部用户又可能需要更深邻域。工程上可把局部度不均衡作为自适应深度的先验，先在召回图上做离线分桶验证，再评估节点级深度带来的缓存、索引和在线计算开销。

INSIGHT多模态推荐不应默认把图片特征加到所有用户和物品上，门控值本身还能成为内容质量和冷启动诊断信号。对 UGC 平台可把 gate 分布按内容类型、用户活跃度和曝光阶段切片，识别“视觉有用但行为稀疏”的物料，再决定是否补充图像编码或增加探索流量。