发现：搜索 / 推荐 / 话题 / 标签 / 统计
Discovery 子域解决「内容怎么被找到」——它和 Content 正交：Content 生产内容，Discovery 把内容分发出去。能力分两层：检索（让用户主动找）与推荐（把内容推给用户），外加话题/标签聚合、作者中心与站点统计。
概念与关系
检索（Search）
文章/沸点真正的检索走 MeiliSearch（见 MeiliSearch 搜索）。Discovery 这一层提供围绕检索的体验能力：ISearchSuggestionService 负责搜索建议、热搜榜、用户搜索历史、记录；SearchHighlightHelper 负责按关键词高亮与片段抽取。这些是对索引结果的「包装」，不自己存数据。
推荐（Recommendation）
推荐流由一组协作组件构成，而非单一接口：
IShortMsgFeedMixer：把多个召回源混排成最终信息流；IShortMsgRecommendationPoolStore/IShortMsgRecommendationPoolBuilder：语义召回池的读写与构建；IShortMsgExposureStore：记录已曝光内容，做曝光去重避免重复刷到；IUserProfileStore：存放用户画像（UserProfileData，含对标签/频道/话题/圈子/作者的权重）。
为什么做成「每日全量重算 + 预热」：CmsKitJobService.DailyProfileRebuildAsync 每天基于最近 90 天的互动日志、点赞、收藏、关注，按时间衰减（文章半衰期 30 天、沸点 14 天）算出每个用户的兴趣权重，再预热到 Redis（WarmupActiveUserProfilesAsync）。推荐召回快照与模板基础池也由后台预热（Warmup*Recommendation*）。这样把昂贵的画像计算从请求链路剥离，线上推荐只需读预热好的画像做轻量混排——请求不被重计算拖慢。
话题（Topic）与标签（Tag）
Topic / Tag 是内容的聚合维度。话题经 ShortMsgTopic 挂到沸点，标签经 ArticleTag 挂到文章，二者都支持热度（如 TopicHotIndexService）。它们是推荐的「信号源」之一——用户画像中的 TopicWeights / TagWeights 正来自此。
作者中心与站点统计
IAuthorCenterService 提供作者维度的计数与趋势图；ISiteStatisticsService 汇总全站概览、趋势与每日统计。二者是内容价值的度量层，不反向影响内容。
AI 资讯（AINews）
IAINewsService 提供 AI 资讯流（按 ArticleCategory.AiNews 归类，独立索引 articles_AiNews），是内容形态的一种扩展。
业务能力
- MeiliSearch 全文检索、搜索建议、热搜、历史、高亮；
- 个性化推荐流（文章/沸点 + 相关推荐），含曝光去重与召回混排；
- 话题与标签聚合及热度；
- 作者中心统计、全站站点统计与趋势；
- AI 资讯流。