随着移动互联网技术的飞速发展,网络平台上的信息量呈现指数级增长,特别是自疫情爆发以来,以到店为主的线下消费场景受到重创,人们的消费观念逐渐向更为便捷的线上消费转变。绝大部分互联网公司为捕捉用户消费倾向,提高企业经济效益,往往会在用户终端植入交互式推荐的元素,然而,对于推荐决策的核心——推荐模型,业界缺乏一种完备且高效的管理与监控工具,以应对模型多终端上线的场景或规避模型上线后效果未达预期所带来的风险。针对上述问题,本文设计与实现了一款面向移动端的外卖商品推荐模型管理与监控系统,主要服务于公司外卖业务,旨在帮助算法开发人员有效管理与监控模型训练、发布、召回的一整套流程,并在线上效果未达预期时及时做出干预行为。本系统采集用户手势数据和商品数据,同时借助“道格拉斯-普克”算法过滤无效手势数据,并通过Redis将特征数据下发给算法开发人员。本系统将算法开发人员构建并训练的原始模型分别转换成能够在Android和iOS系统上运行的模型并发布至用户终端。本系统提供一套完备的可视化监控机制,帮助算法开发人员实时感知线上模型的运行状况。此外,若某一版本模型上线后效果未达预期,本系统将启动预警或召回机制,自动预警或召回该模型并通知算法开发人员。本系统基于React框架和Spring Boot框架实现前端Web平台和后端业务服务,维护了系统良好扩展性。前端借助ECharts组件实现数据可视化,后端主要可分为特征管理、模型管理、发布管理和模型监控四个模块,各模块借助限流熔断等措施保障系统可用性,并通过RPC的形式对外提供服务。目前,本系统已部署至公司私有云平台并上线运行,算法开发人员可通过个人MIS账户登入系统。长期试运行表明,本系统显著提高了算法开发人员的模型开发与发布效率,并能够在某一版本模型运行效果未达预期时自动触发预警或召回机制,有效规避线上生产风险,满足交付预期。