INSIGHT生成式推荐在直播场景面临独特挑战：内容持续变化、生命周期有限、实时约束严格、多目标异构。OneLive 的动态 Tokenizer 设计打破了传统静态 token 化的限制，为实时内容推荐提供了新范式。对搜索场景的启示：实时变化的 UGC 内容也需要动态的表征更新。

业务关联虽然场景是直播推荐，但核心架构（动态 tokenizer、时间感知注意力、多目标对齐）可迁移至 UGC 搜索场景。社区 UGC 内容的实时性和多样性与直播场景有相似之处。

证据已在快手直播推荐系统部署，在线 A/B 测试在多个核心业务指标上取得显著提升。首个在大规模真实直播平台成功部署的统一生成式推荐框架。

INSIGHTLLM 知识对推荐模型并非处处有益——在热门物品和长历史用户上 LLM 可能不如专用模型准确。S-LLMR 的「选择性信任」思路比全局知识蒸馏更精细，特别在冷启动和长尾场景有显著增益。这对搜索排序中引入 LLM 信号提供了实用的技术路径。

业务关联直接可用于社区搜索排序模型的增强：将 LLM 的语义理解能力选择性地注入现有排序模型，特别有助于提升冷启动查询和长尾内容的搜索相关性，同时不增加在线推理开销。

证据在多个推荐数据集上实验，选择性策略在整体准确率上持续提升，在冷启动和长尾场景获得显著增益，超越全局蒸馏基线。

INSIGHT生成式推荐处理超长用户行为序列时面临计算成本高和注意力近因偏差的双重挑战。GEMs 的多流分解思路将不同时间尺度的行为分而治之，是一种务实的工程架构创新。对搜索系统中的用户长期兴趣建模有直接参考价值。

业务关联社区搜索中用户有长期兴趣（常驻社区话题）和即时需求（当前搜索意图），GEMs 的多流时间建模可用于融合用户的长短期搜索偏好，提升个性化搜索体验。

证据在标准推荐数据集上的离线实验验证了多流解码器在处理长序列时的效果优势。

INSIGHTLLM 推荐解释的「事实正确但偏好不一致」是一个被忽视的失效模式。传统的幻觉检测和事实一致性评估无法捕获此问题。PURE 的 select-then-generate 范式在证据选择阶段进行偏好对齐，比生成后校正更高效。对搜索结果解释和摘要生成有参考意义。

业务关联社区搜索场景中，LLM 可用于生成搜索结果的解释或摘要。PURE 的思路可确保生成的解释与用户搜索意图一致，避免「正确但无关」的解释降低用户体验。

证据在三个真实数据集上实验，PURE 持续减少偏好不一致的解释和事实幻觉，同时保持竞争力的推荐准确率、解释质量和推理效率。