INSIGHT该研究指出基于 referrer/last-click 的传统归因会系统性漏掉 LLM 助手制造的“上游曝光”——用户被推荐后多经由搜索再转化，路径被归因到别处。对搜推与增长团队的启示：要建立面向生成式助手曝光的新归因口径，并把“是否被生成式助手提及”作为流量与转化分析的独立变量；方法上，其 pre-trend 对照 + 同类目 within-response 对照的识别框架，可迁移到评估推荐/搜索干预的真实增量。

INSIGHT该工作示范了“预测模型给目标、反事实优化给方向、LLM+RAG 在受约束知识库上生成可读结果”的三段式范式，对需要把黑盒打分转成用户可执行建议的生成式推荐有借鉴意义。关键经验是：在 LLM 生成层施加领域知识与结构化约束（这里是 USDA 库 + 营养约束）能显著降低不可行输出；专家在环 + prompt 迭代是把生成结果拉回可用区间的有效手段，对任何“约束式生成推荐/可解释推荐”场景都适用。