最早让我想把 Shopee App 当算法样本认真拆一拆，是因为一次很普通的搜索经历。我在首页眼睁睁盯着同一个商品反复出现，而那个商品其实是我两周前偶然点过、根本没打算买的。那一刻我突然意识到，一个看似简单的电商 App 背后，其实藏着一整套极其复杂的算法流水线，而且它比你想的更勤快地记录着你的行为习惯。
这篇作为《Shopee App 算法分析》的第一篇，我先把定位说清楚：我们不讨论 Shopee 内部源码长什么样，那是谁都拿不到的东西；我们讨论的是，从一个普通用户视角出发，结合基础的工具链和对照实验，把“黑盒”尽可能地还原成“灰盒”。这套思路不局限于 Shopee，几乎所有主流电商 App 都适用。
1. 拆解之前：先搞清楚 Shopee 的算法到底长在哪
1.1 不是“一个算法”，而是十几条算法线并行
很多人一提“算法”，脑子里先蹦出来的是数据结构和算法竞赛那套东西，比如堆排序、KMP、二分查找。这些确实是最底层的砖瓦，但电商 App 里真正跑的业务算法，绝大多数已经不是这种单点算法，而是一条一条的算法流水线：推荐流水线、搜索流水线、广告投放流水线、风控流水线、定价与优惠策略流水线。
Shopee 作为一个覆盖多个市场的跨境电商 App，它的算法复杂度比普通本地电商还要高一截。它同时要处理多语言、多币种、跨国物流、汇率波动、不同市场的用户偏好差异。所以在拆解时，不能只盯着“首页推荐了啥”，而是要先把它的算法能力按业务场景切块。
我习惯切成几个观察口：
- 信息流推荐：首页 Feed、类目推荐、买了又买、看了又看。
- 搜索排序：关键词匹配、联想词、排序切换、筛选逻辑。
- 价格与促销：价格展示、优惠券发放、闪购位、加购推荐。
- 交易与履约：运费预估、到货时间承诺、售后评分。
每一块背后都有独立的算法团队和模型体系，但它们又会互相影响。比如你在搜索里点了一个高客单价商品，首页 Feed 立刻会变；你领了一张大额优惠券但没用，接下来几天平台会持续用类似面额的券试探你。这种联动关系，恰恰是黑盒分析最有意思的地方。
1.2 黑盒分析为什么可行
有人会问：没有内部接口，也没有模型权重，怎么做算法分析？
我的答案很简单：算法的结果最终会表现为“用户能感知到的行为”。这些行为包括排序变化、推荐内容变化、价格变化、文案变化。只要你能系统性地记录这些变化，并且在可控条件下改变输入，你就能反推出算法的大致逻辑。
这有点像一个对照实验。你把 App 当成一个黑盒，输入是你的点击行为、浏览时长、搜索关键词、购买记录，输出是你看到的商品列表、排序、价格和优惠券。控制住其他变量，只改变一个输入，观察输出怎么变，就能推断出这个输入在算法里的权重和角色。
我不反对有人用抓包、Hook 一类的手段去看 App 的请求参数。但这一类操作有两个前提：第一，只能在自己设备上、为了个人学习研究做，别碰别人的数据和平台未公开的接口；第二，别指望能直接看到模型参数，你能看到的充其量是请求报文和埋点字段，这些信息已经足够帮你建立很高的“算法像素”了。
1.3 我常用的分析工具与基本流程
工欲善其事，必先利其器。我第一篇文章用的工具组合比较简单，后面会逐步深入：
- 抓包工具：Charles 或 mitmproxy，用于查看 App 请求了哪些接口、传了什么参数、返回了什么数据。真机需要装证书，Android 7.0 以上还要处理用户证书信任问题，这个在后面的实操章节细说。
- 多台测试设备：最好是 Android 和 iOS 各一台，因为两个端的请求策略和版本更新节奏不一样，有时候能对比出有趣的差异。
- 干净的测试账号：新注册一个账号，不关注任何店铺、不点赞、不搜索，作为“冷启动对照组”。
- 数据处理：Python 加 pandas、matplotlib，用来整理抓包结果和生成排序变化图。
- 录屏与日志：手机自带录屏，配合时间戳，记录每一步操作对应的界面变化。
完整流程一般是这样：先清理数据，建立基线；再做单变量对照实验；然后抓包看接口层证据；最后离线整理，形成可复现的分析结论。这套流程我跑了很多遍，在 Shopee 和其他几款电商 App 上都有效。
2. 从信息流推荐观察算法逻辑
2.1 冷启动阶段推什么：试探优先
我第一个百试百灵的实验，就是注册新账号，然后完全不操作，每天固定时间打开 App，刷首页 Feed，截图记录。
新账号冷启动阶段，平台不清楚你的兴趣标签，这时候推荐策略会呈现几个明显特征：
第一，类目覆盖非常广。今天给你推母婴，明天给你推数码配件，后天给你推家居收纳。它不是在“猜你喜欢”，而是在“试探你的反应”。这种策略在算法上本质是探索（Exploration），目的不是立刻转化，而是快速收集你的兴趣信号。
第二，大量使用热门商品兜底。当模型对用户没有把握的时候，最安全的策略是把全局点击率高、转化率好的商品拿出来。我看到的结果就是，新账号前几屏基本都是类目热销榜里的东西，而且重复度不低。
第三，推荐位里穿插大量“猜你喜欢”的标准化文案。这个现象背后其实是推荐理由生成模块在起作用，它会把销量、评价数、优惠力度等信息模板化拼接。你看到的“已售10万+”和“限时特惠”，不是运营手填的，而是算法根据商品特征动态生成的。
冷启动阶段的观察价值在于，你可以通过“什么都不做”和“刻意做”两组账号的对比，快速识别出哪些是热度兜底、哪些是个性化推送。
2.2 点击、停留、加购怎样影响后续推荐
冷启动测完之后，我最常做的实验是“行为干预实验”。
操作方式是这样：准备两个新账号，A 账号只看不点，B 账号有节奏地点击某一类商品，比如宠物用品。每次点击后停留 20 到 30 秒，加购一两个商品，然后退出。持续三到五天，每天打开三到四次，每次刷 5 到 10 分钟。
实验结果非常稳定：B 账号的首页 Feed 会在 24 到 48 小时内明显向宠物用品倾斜，而且越到后面，推荐集中的细分类目越精准。一开始只是泛宠物类，后面慢慢变成猫粮、猫砂、猫玩具这几个子类目。这说明 Shopee 的推荐系统对“行为序列”的建模粒度非常细，它不仅在记录“你对宠物用品感兴趣”，还在记录“你对宠物的哪个细分方向感兴趣”。
这里有一个特别值得注意的信号权重大小。我做过的多组实验显示，加购的权重明显高于点击和停留，下单的权重又高于加购。这符合电商推荐的基本逻辑：只有真正发生交易意图的行为，才是最强烈的正反馈。你只看不买，系统会认为你可能只是随便逛逛，推送力度不会那么激进。
不过也要提醒一句，算法不是只有正向反馈。反复点击但从不加购、反复加购但从不购买的账号，经过一段时间后会触发“疲劳抑制”机制。系统会降低这类商品的推荐频率，转而推一些关联品类。你可以把这种机制理解为算法在说：既然你对这个品类“只逛不买”，那我换点别的试试。
2.3 重复推荐与“探索-利用”的平衡
很多用户抱怨电商 App“老推同一个东西”，其实这正是算法里的“利用”（Exploitation）权重过高造成的。模型判断你大概率会买，于是反复推送这件事，不管你已经看腻了。
我统计过 Shopee 首页 Feed 的前 100 个商品位，在不做任何操作的情况下，同一款商品的重复出现率大概在 8% 到 15% 之间。如果我对某个商品点了加购但没付款，这个商品被重复推荐的概率会显著上升，而且它会从“新鲜感”角度不断给你新的促销刺激，比如降价提醒、优惠券到账提醒。
这说明 Shopee 的推荐系统里有一个比较重的“转化意图追踪”模块。它会把你未完成的订单当作高意向线索，通过重复曝光和利益点刺激来拉回流。这种策略在业务上很好理解：一个已经加购的用户，转化成本远比冷启动新用户低。
但这个策略有一层隐性代价：过度重复会导致用户体验下降。所以现在的推荐系统通常会引入多样性约束，同一商品在同一屏里不重复出现、连续两屏里不超过几次，等等。你如果仔细盯屏幕，能偶尔看到这个约束的“边界”：某一次刷新后，同一商品相隔三个位置出现两次，说明多样性约束在实时算力下没有做到位。
多臂老虎机这个经典的强化学习问题，在这里就是个很好的解释框架。平台每个推荐位都是一台老虎机，推热门商品是“利用”，推冷门小众商品是“探索”。具体探索比例怎么定，在不同流量位上是动态调整的。首页第一屏的探索比例很低，基本全是高确定性商品；到了“为你推荐”的第五屏之后，探索内容会多一些，因为用户看到这里已经比较有耐心，可以接受一些“意外惊喜”。
3. 搜索排序背后的算法痕迹
3.1 搜索补全与意图识别
搜索是比推荐更“显性”的算法场景，因为用户直接输入了明确的意图表达。Shopee 的搜索框输入过程中，会实时弹出联想词，这个联想词功能背后是 query 补全和意图预测两部分。
我在做搜索实验时发现，输入“短袖”和输入“短袖 男 纯棉”，联想词和搜索结果差异非常大。前者是泛意图，搜索系统会尽量展示覆盖不同价格带、不同风格的短袖；后者是明确意图，系统会把纯棉材质、男性尺码、相关风格商品集中前置。
这些联想词不是简单的字符串前缀匹配。如果只是前缀匹配，输入“短袖”应该弹出“短袖女”“短袖男”“短袖t恤”这类词。但实际弹出的联想词里经常会出现“短袖 工作服 夏”这类看起来不像纯前缀的词，说明背后使用了基于搜索日志的统计共现模型，和学习用户搜索会话的序列模型。
多语言场景在这里也很值得观察。Shopee 在不同市场支持的语言不一样，搜索词是英文、当地语言还是中英混合，会影响匹配结果。我在测试账号上试过用英文关键词搜，结果返回的商品和用中文关键词搜索返回的商品相差很大，不只是语言的翻译差异，连排序逻辑都变了。这说明搜索系统在 query 理解层就做了语言识别，不同语言的召回通道权重并不一样。
3.2 “综合排序”的权重博弈：关键词、类目、销量
进入搜索结果页后，默认排序一般叫“综合排序”或“最相关”，这个排序的结果是一个多目标融合的产物。你可以把它想象成一个打分公式，里面至少混合了文本相关性、类目匹配度、商品销量、评价分数、店铺评分、价格带偏移等多个因子。
我做过这么一组对照实验：搜索同一个关键词，分别用“综合排序”“销量排序”“价格从低到高”“评价最优”四种模式，记录前 50 个商品。
以“蓝牙耳机”为例，我整理过一份很典型的数据对比：
| 排序模式 | 前10名平均价格 | 前10名平均销量 | 前10名平均评价数 | 出现品牌重复度 |
|---|---|---|---|---|
| 综合排序 | 45 元左右 | 高 | 高 | 低，各品牌混排 |
| 销量排序 | 35 元左右 | 极高 | 极高 | 高，头部品牌霸屏 |
| 价格升序 | 8 元左右 | 低 | 低 | 无规律，杂牌为主 |
| 评价最优 | 60 元左右 | 中高 | 极高 | 中高 |
综合排序的平均价格落在 45 元，不高不低，说明排序系统刻意把不同价格带的商品混合在一起，避免被单一价格带垄断。更微妙的是，前 10 名里价格最低的那个商品，销量并不高，评价也少，但它就是能排到前面。这说明综合排序的文本相关性和类目匹配权重，在某些情况下能盖过销量和评价的权重。
这种“相关性优先、热度其次”的策略，和很多从业者的直觉不太一样。它背后有一个原因：如果纯按销量排，那么搜索结果页会被爆款垄断，用户很难找到长尾商品和差异化款式，短期转化率可能高了，但长期用户粘性会下降。所以平台愿意牺牲一部分即时转化，换取搜索生态多样性。
3.3 不同排序模式揭示的“隐藏权重”
四种排序模式放在一起对比，还有一个隐藏信息：销量排序下，前 10 名的价格普遍偏低，而评价最优排序下，前 10 名的价格明显偏高。这说明“销量”和“评价”这两个因子，和商品价格之间存在一定相关性，但又不完全等同。
低价商品天然更容易走量，所以销量排序里低价商品多。高价商品要想卖得好，通常需要有更强的品牌背书和评价积累，所以评价最优排序里高价商品多。而综合排序把两者的平均值拉回中间，恰好说明它引入了一个隐性的“边际收益”调节项：当商品销量已经极高时，新增销量的排序边际收益递减，平台会把曝光机会让给销量没那么高但相关性更强的商品。
有一个小技巧：如果你想快速了解某个关键词下的一个平台流量分配倾向，不要只看默认综合排序，而是把销量排序和价格排序的结果拉出来，数一数重合商品的数量。重合商品越少，说明综合排序的“个性化”“多样性”权重越高；重合商品越多，说明综合排序越依赖单一热度因子。
3.4 个性化搜索：同一个词，不同的结果
搜索结果是否个性化，用一个很简单的方法就能测出来：拿两个冷启动时间不同、历史行为差异极大的账号，搜索同一个关键词，滚动到同一位置，截图对比。
我测过几十组关键词，结论是：对于大词、泛词，比如“手机壳”“连衣裙”，两个账号的结果差异很大，个性化权重明显；对于长尾词、高明确度词，比如“iPhone 15 Pro Max 透明防摔壳”，两个账号的结果几乎一致，个性化权重很低。
这个现象背后的逻辑不难理解。长尾词的搜索意图已经非常明确，用户点进来的购买倾向极高，这时候平台的策略是优先保证相关性和商品质量，个性化反而会让结果发散，伤害转化。而泛词意图模糊，用户自己都没想清楚要什么，这时候个性化就有很大的发挥空间，平台通过历史行为推断你的偏好，用“千人千面”来提升点击率。
我在分析笔记里把这种现象记作“意图强度梯度”：意图越强，算法越保守；意图越弱，算法越激进。你拿这个框架去看所有电商 App 的搜索，基本都是成立的。
4. 价格、促销和券策略里的算法联动
4.1 先有价格力，还是先有流量分配
价格是电商平台上最敏感的信号之一。Shopee 的商品详情页里，经常会出现“限时特惠”“已减XX%”“平台补贴”等标签，这些标签不是运营随机贴的，背后有价格力模型在支撑。
价格力的核心逻辑是：平台需要知道，一个商品在当前市场上的价格竞争力如何。如果价格显著低于同品类均价，平台会倾向给它更多流量；如果价格高于均价，除非评价和销量极强，否则流量会受限。
我做过一个实验：用同一款商品的关键词去搜，然后在价格排序里找到该商品，再切回综合排序，看它的排名变化。结果发现，当商品价格低于价格排序榜单中位数时，综合排序里它会比高价位同行有明显优势。但有一个例外：如果该商品的销量和评价数在类目里处于金字塔顶端，即使价格偏高，综合排序里也能排得靠前。
这说明价格力模型不是一个独立排序因子，而是作为调节项嵌入到整体的商品质量分里。低价可以补质量分的不足，但无法完全取代质量分。反过来，高质量分也能在一定程度上承受价格劣势。这就像考试里的加权平均，每个因子都有自己的权重上限。
4.2 个性化优惠券：真的“一人一价”吗
我做过一组不同账号领取优惠券的实验：两个账号同时打开同一件商品的详情页，A 账号是新号，B 账号是曾经加购过但未付款的账号。结果是 B 账号弹出了大额优惠券，A 账号只有小额或无券。这种情况在多个商品上都复现过。
这种差异化优惠策略在业内叫“流失召回定价”或者“优惠券个性化发放”。它的目标不是让所有用户都拿到最大优惠，而是识别出“离下单只差一步”的用户，用最小成本促成转化。对于新用户，平台更倾向于用无门槛小额券建立初次体验；对于多次加购不买的用户，平台愿意掏出更大面额的券来推一把。
但这里要分清一个概念：个性化优惠券不等于“杀熟”。从我的观察来看，Shopee 上不同账号看到的券差异，更多是基于行为阶段的不同，而不是基于消费能力的高低。新用户有时候能拿到的券反而比老用户更划算，因为平台需要拉新。这个策略在几乎所有电商平台上都存在，属于增长算法的标准动作。
4.3 详情页、购物车里的算法联动
商品详情页不是孤立页面。它上面的推荐位，比如“看了又看”“买了又买”“搭配购”，实际上是推荐算法在交易场景下的延伸。它的目标不再是探索兴趣，而是直接提升客单价和连带率。
我发现一个明显的规律：在详情页的“搭配购”区域，算法非常喜欢推低客单价、高消耗频率的商品，比如手机膜、数据线、收纳袋。因为这些商品的决策成本低，用户顺手就加购了。而“买了又买”区域则更倾向推同品类但不同款式的商品，比如你看中一件白 T 恤，它就给你推黑 T 恤和印花 T 恤，试图覆盖你的多件购买需求。
购物车页面也有算法痕迹。当购物车里商品总价达到某个阈值时，页面会提示“再买 X 元可免运费”，这个提示背后就是运费策略和客单价目标在做联合优化。它利用的是损失厌恶心理：用户已经决定买了，就差临门一脚，用运费门槛来拉动客单价，转化率通常很可观。
5. 技术侧：主流电商推荐算法是如何映射到这个 App 上的
5.1 召回、精排、重排的标准流水线
如果你去翻任何一篇讲工业级推荐系统的文章，都会看到“召回、粗排、精排、重排”这个四层架构。Shopee 的推荐和搜索系统，大概率也是这套架构，只是具体模块深度和实时性不同。
召回阶段的任务是从千万级商品里快速捞出一批候选集。这个阶段不会用太复杂的模型，更多是依靠商品标签、倒排索引、协同过滤、热门兜底。我在抓包里看到的很多请求参数里，都会有类似“推荐场景 ID”“商品池 ID”的字段，这些就是召回通道ID的痕迹。
精排阶段用的大多是深度排序模型，输入是用户特征、商品特征、上下文特征，输出是点击率、转化率等预估分数。这一层是算法最核心的部分，但也是完全黑盒的。我们没有办法直接看到分数，只能通过最终排序结果去反推特征权重。
重排阶段则负责处理精排结果的“可展示性”。它要做去重、多样性打散、插入广告位、置顶运营位、保证同一个品类不连续出现太多。你在首页刷到的“隔几个商品插一条广告”，基本都是这一层干的事。
5.2 特征工程与用户行为序列
在任何推荐模型里，特征工程都是上限的决定因素。Shopee 这种跨境平台，特征工程会比纯本地平台更复杂：它需要把用户所在地区的文化偏好、品类季节差异（南北半球相反）、币种汇率波动都做成特征。
用户行为序列是特征工程里最值钱的部分。点击序列、加购序列、下单序列、搜索序列，这些序列的长度、时间间隔、品类迁移方向，都是模型预测下一次行为的核心输入。我在冷启动实验里观察到的“快速收敛到细分品类”，就是行为序列模型在起作用的直接证据。
现在的主流做法是用类似 Transformer 的结构对行为序列做编码，把用户最近 500 次点击、最近 50 次下单压缩成一个向量。然后把这个向量和商品向量做相似度计算，输出一个匹配分。
5.3 多目标优化：点击、转化、GMV 的取舍
业务算法很少只优化一个目标。如果只优化点击率，推荐结果会偏向标题党、低客单价、猎奇商品；如果只优化转化率，推荐结果会变得过于保守；如果只优化 GMV，又会过度推高价品。
所以工业界的通行做法是多目标融合，通常会先分别预估点击率、转化率、GMV贡献度，再加权求和。实测下来，我对 Shopee 首页 Feed 的价格分布做了统计，发现它的推荐内容价格带很宽，但不会整体偏向极低价或极高价。这说明它的多目标权重里，有一个“价格带平衡项”，避免推荐结果过度集中。
还有一层是“长期价值”目标。纯看短期转化，最容易的办法是疯狂推低价走量商品，但这样用户会形成“这个平台上只买便宜货”的认知，长期客单价就上不去。所以现在推荐系统会引入长短期价值建模，给新品和潜力品一定的探索流量。
5.4 深度学习之外也有经典算法的位置
提到算法，卷深度学习的人喜欢讲各种大模型，但真正落到工程实现上，很多模块依然是经典算法的天下。
排序阶段的中间结果需要大量 TopK 运算，堆排序和快速选择在工具库里无处不在。搜索 query 纠错用到了编辑距离和 BK 树，商品标题匹配里 KMP 这类字符串匹配算法也是基础依赖。更典型的是资源分配和匹配问题，比如广告位分配、库存分配、优惠券预算控制，这些场景里匈牙利算法、粒子群算法这些优化方法都还有实际用武之地。
我写这些是想说，不要把算法分析神化成“只有深度学习工程师才能碰”的领域。真正影响用户体验的，往往是一个复杂系统里多类算法配合的结果。理解经典算法，能帮你在外围观察时建立更准确的直觉。
6. 实操：怎样自己设计一个“黑盒验证”实验
6.1 第一步：建立无干预基线
网上很多算法分析文章最大的问题是“样本脏”。一上来就讲我刷到了什么、没刷到什么，完全没有对照。其实算法分析最忌讳的就是把“系统随机波动”当成“算法证据”。
我自己的标准流程，是先准备两台设备或者两个账号，其中一个完全不操作。这个“无干预基线账号”每天固定时间打开 App，固定刷 10 分钟首页，不做任何点击，不搜索，不收藏，不购买。连续记录 7 天。
基线数据能告诉你，在没有用户行为干预的情况下，平台自身的流量分布是什么样子的。比如你会看到，某些商品出现在 Feed 里的概率天然很高，因为它们本身就是平台主推的热门商品。等后面做干预实验时，你就有基准线可以对比，不会把热门商品的自然露出误判成个性化推荐。
6.2 第二步：构造单变量对照
单变量原则是科学实验的基石。一次只改变一个变量，其他全部保持一致。
比如我想测试“点击行为对推荐的影响”，那就只点击指定类目商品，不做搜索、不加购、不收藏。想测试“加购行为的影响”，那就只加购指定商品，不点击其他内容，不加购其他内容。想测试“搜索的影响”，那就只用搜索功能，不浏览 Feed。
每个实验组的操作频率、时间段、持续天数也要固定。我一般建议持续 5 到 7 天，每天操作 3 次，每次间隔至少 4 小时，模拟真人使用节奏。如果时间太短或者频率忽高忽低，你观察到的排序变化很难排除随机性。
6.3 第三步：抓包看接口层证据
到这里，工具就派上用场了。把手机代理指向 Charles 或 mitmproxy，开启 HTTPS 抓包后，刷新首页和搜索结果页，你会看到一串接口请求。
我截取到的典型请求结构长这样：请求 URL 里有场景标识和分页参数；请求体里带着一堆埋点字段，包括设备 ID、用户 ID、行为事件、上下文信息。响应体里通常直接返回商品列表，每个商品带一个列表位置编号和推荐理由。
最有用的是响应体里的列表位置编号。你可以把这个编号当成算法的“最终输出”。结合你的行为干预，就能看到位置编号的变化趋势。比如干预前某类商品平均出现在第 20 位，干预后平均出现在第 8 位，那就能确认行为对排序有显著影响。
注意：抓包只用于分析自己设备的流量，并且要确保你有权访问这些数据。不要尝试破解他人设备、抓取未经授权的接口，也不要大规模爬取平台数据。合规是前提。
6.4 第四步：离线整理与可视化
抓包数据一般很乱，我通常先用 Python 脚本把请求 URL 里的关键字段和响应里商品 ID、位置编号提取出来，存成 CSV，再做统计。
下面是一个简化版的示例脚本逻辑：
import pandas as pd import json # 解析抓包导出的 JSON 文件 with open("shopee_feed.json", "r", encoding="utf-8") as f: raw_data = json.load(f) rows = [] for req in raw_data: # 提取请求时间、场景和返回商品列表 timestamp = req.get("timestamp") scene = req.get("scene", "feed") item_list = req.get("items", []) for idx, item in enumerate(item_list): rows.append({ "timestamp": timestamp, "scene": scene, "item_id": item.get("item_id"), "position": idx + 1, }) df = pd.DataFrame(rows) # 按商品 ID 和场景统计平均位置 summary = ( df.groupby(["scene", "item_id"])["position"] .mean() .reset_index() .sort_values(["scene", "position"]) ) print(summary.head(20))这段代码做的事情很简单：把每个抓包请求里的商品列表展平成“商品出现在第几位”，然后按场景分组、求平均位置。有了这个表，你就能画出某类商品在干预前后的平均排名曲线，判断算法是否真的“听懂了”你的行为。
更进阶一点，可以把商品再按价格带、品类、店铺维度聚合，观察不同维度下的排序变化，去反推算法更看重哪个特征。不过这一步属于后面几篇的内容，第一篇先把基础设施搭好就行。
6.5 常见问题速查
实操过程中，最容易踩的坑我列成了一张表：
| 问题 | 常见原因 | 解决办法 |
|---|---|---|
| App 内页面加载失败 | 代理工具证书未被系统信任 | 重新安装并信任证书，Android 7.0 以上需要把证书安装到系统证书目录或在 App 内开启网络调试 |
| 抓包数据里没有 HTTPS 明文 | App 启用了证书固定（Pinning） | 尝试使用支持 SSL Pinning 绕过的抓包方案，但务必注意合规边界 |
| 两个账号结果差异巨大 | 设备特征、账号注册时间、地理位置不一致 | 尽量使用同型号设备、同时段注册的新账号，关闭定位权限或统一定位到同一城市 |
| 干预后推荐没有变化 | 干预时间太短，或行为信号权重不够 | 延长干预周期，或在原有行为基础上增加“加购”和“搜索”动作 |
| Feed 里商品重复率过高 | 刷新频率太快，触发系统限流 | 降低操作频率，控制在真人使用节奏范围内 |
| 数据量太少，结论不稳定 | 抓包样本不足 | 每天至少记录 3 轮完整会话，连续 5 天以上再下结论 |
这里面“抓包失败”是遇到次数最多的问题。很多时候不是你配置错了，而是 App 在特定版本里启用了更严格的安全策略。遇到这种情况，先别急着上“高级手段”，换个思路，比如通过两端对比（一部手机抓包，一部手机录屏）也能完成大部分分析目标。
还有一个常被忽视的坑：在不同时间段打开 App，Feed 结果差异很大。晚上 8 点到 10 点是电商流量高峰，算法为了承接高并发请求，会退化成更简单的推荐策略，个性化程度下降。所以你要做对比实验的话，尽量固定同一个时间段，否则数据波动会让你得出错误结论。
说实话，第一次认真做 Shopee 的算法分析时，我心里也没底。一个上线多年的成熟 App，背后藏着多少层团队迭代过的逻辑，谁都说不清。但拆到后面我发现，只要你愿意从行为观察和对照实验出发，哪怕没有内部资料，也能还原出非常清晰的算法拼图。
第一篇我先帮你把分析框架和工作台搭起来，后面再逐个深入：推荐方向我打算单独写一篇“多目标排序现象观察”，搜索方向可以单独拆“联想词与纠错背后的 NLP 痕迹”，价格券方向也值得一篇“优惠券个性化发放的边界测试”。如果你想自己先跑一轮实验，强烈建议从冷启动对照组开始，那是最快建立体感的方法。
