AI社交推荐配置：用Python脚本跑通好友推荐接口

AI社交推荐配置不是先搭一套推荐系统，而是先用脚本把“用户特征 + 候选好友 + 提示词”拼成一次模型请求，拿到可解析的推荐列表。
本文按这个思路，用Python写一个能跑通的最小配置，适合已经能调用大模型接口、但还没把推荐逻辑接进社交产品的开发者。

先确认运行环境和接口权限

动手前需要准备三样东西：一台能运行Python 3.8以上版本的服务器或本地电脑、一个可用的大模型API密钥、一份结构化的用户资料样例。
推荐先用本地环境验证，避免在线上服务器直接调试产生额外费用。

安装依赖只需要requests库，用来发HTTP请求。
如果服务器没有安装，执行：

pip install requests

API密钥不要硬编码在脚本里，建议通过环境变量传入：

export LLM_API_KEY="你的密钥"
export LLM_API_URL="你的模型接口地址"

在脚本中用os.environ读取。
这样后续部署到服务器时，只需要在启动脚本或systemd服务中配置环境变量，不用改代码。

构建推荐请求体

推荐请求的核心是三块内容：当前用户的兴趣标签和活跃行为、候选好友的公开资料摘要、要求模型输出的格式。
下面是一个可运行的函数骨架：

import os, json, requests

API_URL = os.environ["LLM_API_URL"]
API_KEY = os.environ["LLM_API_KEY"]

def build_prompt(user, candidates):
    user_text = f"用户兴趣：{user['interests']}；近期互动：{user['recent_actions']}"
    cand_text = "\n".join(
        f"- {c['name']}：兴趣{c['interests']}，共同群组{c['groups']}"
        for c in candidates
    )
    return f"根据以下用户信息推荐3位好友，输出JSON数组，每项包含name和reason：\n{user_text}\n候选好友：\n{cand_text}"

def call_recommend(prompt):
    headers = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"}
    body = {
        "model": "你的模型名称",
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.3
    }
    resp = requests.post(API_URL, headers=headers, json=body, timeout=30)
    resp.raise_for_status()
    return resp.json()["choices"][0]["message"]["content"]

注意两个配置点：温度值建议设在0.2到0.5之间，让推荐理由稳定一些；
候选好友数量不要一次塞太多，超过模型上下文限制会直接报错，一般先控制在10到20个。

解析结果并做格式校验

模型返回的文本不一定严格是JSON，可能带Markdown代码块标记或解释性文字。
解析前先做一次清洗：

def parse_recommend(raw):
    text = raw.strip()
    if text.startswith("```"):
        text = text.strip("`")
        text = text.replace("json", "", 1).strip()
    try:
        data = json.loads(text)
    except json.JSONDecodeError:
        return {"error": "模型返回非JSON", "raw": raw}
    if not isinstance(data, list):
        return {"error": "返回结构不是数组", "raw": raw}
    return data

如果经常解析失败，可以在提示词末尾加一句“只输出JSON数组，不要输出其他内容”，同时把temperature再调低一点。
校验通过后再把结果写入数据库或返回给前端，不要直接透传模型原文。

常见报错和避坑说明

接口超时：社交推荐请求通常涉及多个候选好友，提示词较长。
把timeout设为30秒以上，并在代码里加一次重试，但不要无限重试，避免费用失控。

上下文超限：报错信息里出现token超限时，优先减少候选好友数量或缩短每个候选的资料字段，而不是直接换更大的模型。

推荐结果重复：模型可能对相似用户给出相同理由。
可以在请求前对候选集去重，并在提示词中要求“每位好友只出现一次”。

密钥泄露风险：不要把API密钥写进前端代码或提交到Git仓库。
社交产品的推荐逻辑应放在服务端，前端只接收推荐结果。

验证推荐是否真的可用

跑通脚本不等于配置完成。
用同一份用户资料连续请求三次，观察返回的推荐列表是否稳定、理由是否和用户兴趣相关。
如果三次结果差异极大，检查temperature是否过高；
如果推荐理由和候选资料对不上，检查提示词中候选好友字段是否拼接正确。

最后在服务端加一条日志，记录每次请求的耗时、候选数量和解析状态。
这样上线后出现异常时，能快速判断是接口问题还是解析问题。
按本文步骤完成AI社交推荐配置后，再根据实际数据调整候选集范围和提示词细节即可。