QD-Rec 讓推薦理由進化，保留不同選擇

Sakana AI 提出 QD-Rec，讓舊推薦理由成為新提案的起點。從官方課程案例看懂不同角度如何保留、相似提案如何競爭，以及這項研究適合協助哪些決策。

發佈於： 2026-10-24 | 更新於： 2026-10-25

內容查核： 2026-10-25 來源查核： 2026-10-25

同一門課程，除了職業相符，還能用哪些理由找到潛在學員？Sakana AI 在 10 月 20 日介紹 QD-Rec，讓 AI 推薦系統保存「候選對象＋推薦理由」，再從既有提案發展新方向。同一個人、同一篇論文，都可能因不同理由值得推薦；這項研究讓系統持續探索這些差異。

研究與程式已公開，可用於顧客、論文、書籍等推薦任務。有新角度的提案即使分數不高，也能留下作為下一輪參考。對課程企劃而言，可用它比較不同需求假說；購買意願仍須向客戶確認。

教師的理由，轉用到護理師

官方技術文章展示一個課程推薦例子。產品是虛構學習平台 SkillForge，提供商業、科技與創意課程；候選顧客是一位希望升任主管、籌辦社區健檢的虛構護理師。最初判斷偏向不適合：平台不能提供護理資格，專案管理課程只是附帶用途。

保存庫裡另一份提案，對象是想從教室走向學區領導工作的教師。那份理由把專案管理、資料分析與簡報能力，連到推動跨校計畫的需要。QD-Rec 借用這個角度，重新看待護理師：統籌健檢、爭取院方支持，也需要這些能力。

同樣的課程與人物設定，經過這次轉用，產生了不同的推薦理由，也得到較高的 AI 評分。這個示例的重點，是把「專業工作者轉向統籌角色」的思路帶到另一個對象，並依其目標重新解釋。人物與產品均為實驗設定，沒有發生實際購課。

這也說明，推薦多樣性不只在於換一批人名。行銷團隊真正需要比較的是：哪些提案回應技能缺口，哪些回應工作角色轉變，哪些只是把同一段推銷文換個稱呼。讓推薦理由可以被拿出來討論，比只交出一張分數表更有決策價值。

研究方法把這個想法做成反覆運作的流程。系統先參考過去評分，選擇有希望或還沒充分探索的對象；生成模型再抽取保存庫中的例子，改寫一個舊理由、結合數個想法，或嘗試不同方向。

新提案產生後，系統會找出與它相近的既有提案。AI 裁判若判斷它提供新角度，就讓它進入保存庫；若只是相似理由，才與最接近的一筆比較，較好的留下。比較時會隱藏分數、打亂呈現順序，減少先入為主的偏好。

這套保留規則讓不同方向各自改進。它沒有要求每個新點子都先打敗全庫最高分，也沒有把低分等同於毫無參考價值。對需要討論多種策略的團隊，結果是一組可以追問、拆解與比較的提案。

研究團隊比較從零寫理由、參考舊理由但隨機選候選，以及完整方法。官方報告指出，完整方法在多數設定中得到較高平均評分，也保留較多提案。這反映的是有限生成與評分次數內，探索出多少值得保存的方向，並非已量到企業營收提升。

顧客實驗使用一萬份加州合成人物設定，來源是 NVIDIA 的人工生成資料，並由 AI 評分。論文另有採用既有真人書籍評分的實驗，因此不能把整項研究都說成 AI 自評；但書籍評分的結果，也不能替顧客推薦補上真實購買證據。

我認為，QD-Rec 目前更適合協助團隊準備討論材料。台灣做課程企劃或產品行銷的人，可以從中學到的是保留不同需求假說，再拿回客戶背景研究與訪談對照。若要比較AI 行銷工具，應把「產生值得查證的新方向」與「預測成交」分開評估。

實際使用仍需要開發工作。公開程式要求準備候選文字、推薦目標與文字向量，透過 OpenRouter 呼叫模型。它會保存結果，並提供在瀏覽器檢視提案的方式；程式可取得，生成、評分和向量服務則各有 API 使用成本。

保存庫讓推理可以延續，也需要防止錯誤隨提案流傳。資料沒有記載的需求，不能因模型寫得順就當成客戶事實，這仍可能是AI 幻覺。Sakana AI 也提出由專家補充評分，把人的判斷帶回流程。

低分提案為何還會保留？

只要提供不同角度，就可能先進入保存庫，讓後續提案參考。相似提案則會互相比較，較好的才留下。

高分代表客戶願意購買嗎？

顧客實驗使用合成人物與 AI 評分，沒有用真實購買驗證。高分代表裁判較認同推薦理由，實際需求仍須向客戶確認。

能直接接到現有客戶系統嗎？

公開的是研究程式，需要準備資料、推薦目標與模型 API，並調整設定。它提供顧客等範例，尚不是現成的客戶管理外掛。

№ · further reading