从语义化排序看未来算法和工程的变化

今天我看到 llm-sort 这个项目，它是基于一篇论文开发的一个小工具，主要用于文本排序。传统排序通常依赖于字母序或数字序，例如按照 A-Z 或 0-9 进行排序。而llm-sort的核心思路是将这种排序方式提升到语义层面，即利用大模型来进行更智能的排序。

在传统排序算法中，我们的比较逻辑是基于字符或数值的大小关系，比如判断 A 是否大于 B，然后决定它们的相对顺序。而llm-sort本质上仍然是一个排序算法，只不过它的比较逻辑不再是简单的字符对比，而是基于LLM去做比较。这意味着我们仍然可以沿用经典的排序算法（如快速排序、插入排序等），但原子级别的比较操作被大模型取代，从而实现更智能的排序

这种能力的提升带来了非常有趣的应用场景。例如，我们有一万个名字，希望找出最适合给家里的小狗命名的那些。传统排序方式可能只能按照字母序排列，而通过llm-sort，我们可以根据语义来排序。

我们还可以增加一些关于狗狗的描述，比如活泼好动、喜欢粘人等等，我们可以将这些特性作为条件输入LLM，让它为我们推荐更适合的狗名。LLM会基于这些描述来理解哪些名字更符合这类狗的特性，并将它们排在前面。这只是一个简单的例子，实际上，我们可以添加更多复杂的条件，让排序更加精准和个性化。

这一能力在搜索引擎、推荐系统等领域的应用前景极为广阔。目前的个性化推荐通常基于关键词关联、TF-IDF、用户行为分析等方式，例如：

• 电商网站的猜你喜欢功能，主要依赖于标签匹配、词频计算、点击率等方法。
• 搜索引擎会根据相关度排序，但排序逻辑主要基于关键字匹配，而非真正的语义理解。

未来，结合大模型的排序方式可以大幅提升推荐质量。例如，当用户搜索吹风机时，系统可以分析商品的标题、详情页、用户评价、品牌认知等多种因素，并结合用户的偏好进行更精准的排序。这样排在前面的商品更符合用户的需求，能极大地提升购买转化率，也能尽快节省用户的时间。（发散一下：其实未来的搜索甚至直接是通过语音之类的自然语言搜索了，就跟去线下店里和导购交流我要什么意义。不过这边依然有反面的，就是广告主仍然可以竞拍被LLM优先采纳，这或许就是广告模式驱动的商业世界吧）

这一技术还可以广泛应用于社交媒体推荐算法（如抖音、小红书等），让推你喜欢的内容推荐变得更加精准，而不只是基于简单的标签或算法推测（这无疑也让奶头乐发挥到极致🥲）

值得一提，很多人认为应用LLM只需要写个 prompt 让它生成结果，看似很简单。但真正的挑战在于如何将LLM有效地融入到实际的工程体系中，解决现实问题。

在大型工程系统中，涉及上下游的服务非常庞杂，而如何在这些系统中逐步引入大模型，使其真正发挥价值，这不仅是技术问题，更涉及产品设计理念和对新技术的敏感度。这种能力不是简单地做个demo展示一下的那种难度级别，而是需要深入理解场景，合理设计应用方式。

总结来说，llm-sort让排序算法从传统的字符比对升级到了语义层面，这一小小的变化，实则带来了巨大的可能性。在业务里大大小小的地方都会陆续被LLM渗透进去，人类再一次给自己构建的世界制造了很大的想象空间啊