在阿里的業務中，有廣泛的算法應用場景，也沉淀了相關的算法應用平臺和工具：基礎的算法引擎部分，有成熟的召回和打分預估引擎、在線實時特征服務；推薦算法應用領域，有算法實驗平臺TPP（源于淘寶個性化平臺），提供Serverless形式的算法實驗平臺，包括資源彈性伸縮，實驗能力(代碼在線發布、AB分流、動態配置)，監控管理（完善的監控報警、流控、降級)等能力，是算法在線應用的基石。

但在實際的算法應用業務中，比如優酷推薦業務，算法應用場景眾多（100+活躍場景），需求靈活多變，如果沒有一套通用業務框架，用于抽象出通用和定制化的部分來提高算法組件的復用度；會嚴重拖慢算法實驗的節奏。基于圖引擎的算法服務框架就是為了封裝一套框架，抽象算法在線服務的通用算子，支持運行時的算法流程的裝配，提升算法服務場景搭建的效率。

設計概覽

算法推薦典型在線處理執行流程：多路粗排召回，合并，預估，打散策略。推薦服務根據用戶的設備ID等其他必要信息進行多路并行召回，在召回引擎中進行粗排后，經過必要的過濾處理，截取一定數量的內容調用Rank引擎進行精排預估，預估結果經過一系列算法策略處理后輸出最終結果。

整個過程中召回，合并，預估，打散等業務處理有并行處理，有串行處理，根據業務需要能夠靈活配置�；�于圖的推薦業務執行引擎是運行在算法實驗平臺上的執行引擎，它的典型處理流程是：在AB實驗分桶上，通過圖形化交互頁面配置數據源、業務算子的執行依賴關系，并配置每個算子的運行時動態參數。

系統總體結構如下圖所示：分成五個主要的模塊（圖執行算子元件、圖形化配置DAG、圖配置動態解析、DAG圖執行引擎、Debug調試）。