Netflix Technology Blog 於 2026 年介紹 GenPage，以生成式模型依會員脈絡產生首頁。為期 14 天的線上 A/B 測試顯示，相較既有系統，核心互動指標顯著提升，服務延遲降低 20%；這是首頁建構結果，不能推論心情探索也有相同成效。[4]

Netflix 於 2026 年 11 月 3 日公布 AI Discover，讓美國部分使用英文、使用支援電視的會員試用新分頁。使用者可挑「輕鬆一點」、「家庭電影夜」等主題，再縮小推薦範圍。它瞄準知道想看什麼感覺，卻說不出片名或類型的找片情境。[1]

Netflix 表示功能會逐步開放。公告說明主題探索和回饋入口，未提供模型架構、個人化訊號、成效或對照測試資料，找片效率仍待驗證。首頁推薦和 Top 10 的差異，可見Netflix 推薦與熱門排行的查詢方式。

Netflix AI Discover 怎麼把心情接進找片流程？

流程是選主題、看相符片單，再選更細主題或換一組結果；公開資訊尚未確認自由文字輸入。

先選主題，再逐步縮小推薦範圍

主題包含想要的感受、觀影同伴、可用時間，以及熱門內容或近期觀看紀錄。每個主題有影集或電影片段預覽；選定後顯示推薦，也可選更細主題或換一批內容。

這種流程把抽象意圖拆成可選的入口。像「今天不想看太沉重的東西」，可以先挑「Something Light」，再檢查片單是否符合需求。主題名稱是探索提示，不能據此說系統已理解使用者情緒。

保存或排除推薦，讓回饋進入探索流程

Netflix 表示每部作品旁有「Tune Your Recommendations」按鈕，會員可保留推薦或要求不再推薦某部作品，回饋會用於 AI Discover，避免同一推薦持續出現。

產品團隊可檢查按鈕是否容易找到、操作後有無完成提示、後續推薦是否改變。若作用版位、持續時間和撤銷方式不明，會員便難預測回饋範圍。可對照社群推薦系統如何呈現使用者控制選項，檢視設定是否易懂、易用。

自然語言推薦補上哪一種搜尋卡點？

它處理「有偏好方向，沒有明確片名或類型」的探索情境。公開流程以選擇主題為主，尚未說明是否支援自由輸入自然語言。

知道想要的感覺，卻不知道片名或分類

搜尋適合已知片名、演員或類型的需求；主題探索讓使用者先選家庭觀影、短時間或輕鬆內容，再從推薦中挑片，不必輸入精準關鍵字。

入口需與搜尋、首頁推薦和熱門清單配合：知道片名時用搜尋，想看熱門內容時看排行，尚未決定時才從主題探索。Netflix 將 AI Discover 描述為新的探索分頁；它與首頁如何分工、各裝置是否一致，仍待後續觀察。

Netflix 技術團隊 2026 年介紹 GenRec，將會員與內容脈絡交由內部大型語言模型排序。涵蓋約一成流量、為期四週的線上 A/B 測試（隨機分組比較）中，短期與長期指標均顯著優於既有排序器；離線測試以少約 40 倍標註資料，平均倒數排名（Mean Reciprocal Rank，MRR）仍提升約 1.6%。這是批次推薦的結果，不能推論 AI Discover 使用同一模型或已改善探索體驗。[2]

推薦流程要設計哪些控制與解釋？

產品應讓會員看得出推薦主題、回饋效果與控制範圍，並提供修正不合適結果的簡單方式。Netflix 表示會在探索過程中說明結果，但公開公告尚未交代說明內容、設定保存方式或回饋的完整適用範圍。

推薦解釋可指出內容與所選主題或近期觀看的關聯，讓會員判斷主題或片單是否合適，並修正需求。

回饋需有可預期的後續：保留、不再推薦或換一組結果，都應帶來明確反應。設計者可提供撤銷或重設入口，並說明回饋只影響 AI Discover，還是也會改變首頁推薦。

「經適當後訓練與對齊的 LLM 排序器，可以成為傳統推薦模型的有力替代方案。」Netflix GenRec 作者如此總結該模型測試，並非指 AI Discover。[2]

三張並列的介面卡片分別呈現推薦理由、保留或隱藏作品，以及重設探索偏好。
推薦理由與修正入口都清楚可見，會員才容易判斷結果並調整探索方向。

產品團隊怎麼驗收 AI Discover？

需同時衡量從探索到播放的效率、使用者是否放棄、回饋是否有效，以及推薦內容的多樣性。單看點擊或觀看時數不足以判斷探索體驗是否改善，應搭配對照測試、使用者回饋和不同情境的分群結果。

搜尋效率、播放轉換與探索放棄率

可追蹤探索到播放的時間、有效觀看轉換、瀏覽幾層後離開，以及推薦後快速退出。先定義有效播放門檻、跨裝置是否合併、回首頁是否算放棄，避免指標各自解讀。

Netflix 團隊 2019 年介紹 Page Simulation，以過去會員資料重建首頁，並將離線指標與過往 A/B 測試結果比較。團隊表示，新指標在多項測試中與線上指標的相關性高於舊指標，有助加快篩選模型、提早發現異常；模擬不能取代線上實驗，也不是 AI Discover 已公布的驗收方法。[3]

「離線結果與 A/B 測試結果通常不會完美對應。」這是 Netflix Page Simulation 文章對評估限制的說明；因此，產品團隊可先用模擬篩選方案，再以線上測試確認使用者行為。[3]

多樣性、重複曝光與分群差異

若入口只增加熱門作品點擊，未必拓展選擇。團隊可記錄類型分布、重複曝光、近期看過作品占比，並依裝置、語言和觀影情境分群。

可預先設定護欄指標，例如快速退出和重複曝光比例，以及回饋後同類內容是否減少。平均值可能掩蓋族群或裝置差異；訪談、問卷則可補充主題名稱是否易懂、推薦理由是否有用。

用對照測試區分新鮮感與持續改善

新功能可能帶來短暫新鮮感。團隊應比較新入口與既有流程，觀察效果是否持續，並為功能制定自己的實驗和成功標準。

  • 寫下使用者想表達的情境，確認主題入口能否承接。

  • 檢查推薦理由是否可理解，並試操作保留、排除與重設。

  • 設定探索到播放時間、放棄率、重複曝光等指標和護欄。

  • 依裝置、語言與觀影情境分組比較，並蒐集使用者回饋。

  • 先確認入口是否涵蓋「想看某種感覺，但不知道片名」的需求。

  • 檢查推薦理由、保留或排除回饋，以及重設範圍是否清楚。

  • 同時看找片效率、探索放棄、多樣性與不同裝置的結果；測試數據公布前，不把設計假設寫成成效結論。

目前測試範圍有哪些限制，接下來看什麼？

AI Discover 先向美國部分使用英文、使用支援電視的會員推出，之後數週逐步開放。Netflix 尚未公布其他地區、語言和裝置時程，也未提供成效數據。

先確認支援地區、語言與裝置

符合資格的會員可在電視上方導覽列尋找「Discover」和紅色寶石圖示。台灣何時開放、是否支援繁中及其他裝置，仍待公告。

追蹤使用者回饋與功能是否擴大推出

Netflix 表示會員使用和回饋會影響哪些探索方式保留或改善。產品團隊可檢視：使用者如何表達意圖？能否理解推薦理由？回饋能否修正結果？驗收是否兼顧效率與多樣性？

儀表板並列呈現探索到播放時間、探索放棄、內容多樣性，以及裝置與語言分群。
驗收需同時看找片流程、內容選擇與不同使用情境，單一指標無法代表整體體驗。

常見問題

Q1：Netflix AI Discover 已經在台灣開放嗎？

截至 2026 年 11 月 3 日，功能先在美國向部分英文介面、支援電視的會員推出，尚未公布台灣時程。

Q2：AI Discover 可以直接輸入任意心情句子找片嗎？

目前公開流程是選主題、查看推薦並逐步縮小，尚未說明可輸入任意文字。

Q3：目前有證據證明 AI Discover 讓找片更快嗎？

尚無公開成效數據，其他推薦文章不能證明 AI Discover 已提升找片效率或滿意度。