政策快报平台刚上线时，推送逻辑简单粗暴：把所有政策推给所有用户。
结果：打开率不到5%，用户投诉"天天推一堆跟我没关系的东西"。
后来我们做了3次大的重构，推送打开率从5%涨到了35%。今天聊这3次重构背后的思考。
正文：3次重构
第一次重构：从"全量推"到"标签匹配"
最开始的推送逻辑是：一条政策进来，所有用户都能收到。
很快发现：做建筑的人收到医疗政策，做医疗的人收到农业政策——全在乱推。
第一次重构很简单：给用户打标签（行业、地区），给政策打标签（行业、地区）。匹配上的才推。
结果：打开率从5%涨到了12%。
但这个方案有一个明显的问题：标签太粗了。一个"制造业"标签下，可能有几十个细分领域。推出来的政策，相关但不精准。
第二次重构：从"标签匹配"到"规则引擎"
标签太粗，那就加条件。
第二次重构引入了规则引擎：用户可以设置更细的筛选条件——企业规模、政策类型、关键词等。
比如说：用户设置"制造业、年营收1000万以上、关注技改类政策"——系统只推送匹配这些条件的政策。
结果：打开率从12%涨到了22%。
但新问题来了：用户不会设置条件。大部分用户注册完就走了，根本不会去配置筛选规则。
第三次重构：从"规则引擎"到"行为学习"
第三次重构换了一个思路：不依赖用户手动配置，而是"学习"用户的行为。
用户在平台上点击了什么、搜索了什么、停留了多久、收藏了什么——这些行为被记录下来，用来推断用户真正感兴趣的方向。
比如：一个用户连续点击了3条"专精特新"相关的政策，系统会推断他对这类政策感兴趣，以后推送时优先推这类。
结果：打开率从22%涨到了35%。
这次重构的核心变化是：从"用户告诉我他要什么"变成了"系统自己发现他要什么"。
结尾：3条经验
第一，用户不知道自己想要什么。你问他，他也说不清楚。看他的行为比听他说更准。
第二，精准推送比全量推送重要。用户宁可少收到几条，也不愿意收到一堆没用的。
第三，从简单开始，逐步迭代。一步到位搞复杂系统大概率会失败。
