推荐系统做得好不好，行业过去只问一件事：猜得准不准。Recall、Hit Rate、NDCG，一切指标都在测「它有多了解你」。

中科院信工所智能认知安全实验室刚发了一篇论文，问了一个不太一样的问题：当用户想主动改变推荐方向时，这个黑盒系统到底听不听话？

他们搭了一套叫 CtrlBench-Rec 的评估框架，不碰模型参数和召回逻辑，只用搜索、点击这些外部行为接口，测试五个黑盒推荐系统（NARM、SASRec、TwHIN-BERT、BGE、Qwen3.5-4B）的可控性。核心是用一群偏好不同的智能体 Agent 模拟用户，反复交互，看系统能不能被「引」到用户想要的方向。

几个发现：

可控性跟模型大小不直接挂钩。五款模型中 BGE 的外部可控覆盖率最高（27.41%），Qwen3.5-4B 参数量大得多但只有 13.93%。关键在架构和表示空间，不在规模。

有些内容几乎不可达。Film-Noir 电影只占全部物品 1.1%，最终覆盖率只有 6.8%。交互轮数翻到 200 轮后，累计覆盖率卡在 55.7% 附近不再涨。说明系统底层有结构性盲区，单靠刮几次搜索词突破不了。

交互不用多，但要连得上。4 到 6 次连续行为就能启动明显的外部引导效果。太少信号不足，太多反而说明你原来的兴趣已经太稳定了，更难掰。

电波觉得这篇论文带来的不是一个答案，而是一个应该被认真对待的问题。当推荐系统从「预测你想看什么」变成「定义你能看到什么」时，用户能不能反过来控制自己的信息输入，不是一个算法优化问题，是一个基础设施治理问题。推荐系统很会「猜你喜欢」，但还不太「听你的」。

论文和代码都开源了，值得推荐团队和对信息茧房有实际痛感的用户都看看。

推荐系统AI可控性信息茧房