据 TechCrunch 报道，YouTube 正在推出一种新的自定义信息流功能：用户可以用自己的语言描述想看的视频类型，平台随后借助 Gemini 围绕该请求生成个性化推荐页。来源发布时间为 2026 年 9 月 23 日。相比传统推荐系统主要根据观看历史、点赞、停留时长等隐式信号进行排序，这一功能的核心变化在于把“我想看什么”前置为明确指令，让用户以自然语言参与推荐逻辑的构建。
从产品层面看，这并不是简单增加一个搜索框，而是把大模型能力嵌入内容分发入口。用户不再只能等待系统根据过往行为推断兴趣，而可以直接描述偏好，例如希望看到某类主题、风格、学习路径或场景化内容。Gemini 会根据这段描述生成一个围绕需求组织的视频信息流，使推荐从“被动猜测”更接近“主动配置”。
自定义信息流意味着推荐系统从隐式行为走向显式意图
传统内容平台的算法推荐往往依赖大量历史数据，优势是自动化程度高，但问题也很明显：用户很难解释或修正推荐结果。当某类内容被频繁点击后，系统可能持续强化相似内容，形成兴趣窄化。YouTube 这次引入自然语言描述，等于给推荐系统增加了一个可理解、可编辑的输入层。
这一变化的重点不是“AI 帮你找视频”，而是“AI 把用户意图转化为推荐规则”。用户表达的是目标，Gemini 负责把目标映射到平台内容库、主题标签、语义理解和排序逻辑之中。对普通用户而言，这降低了调整推荐的门槛；对创作者而言，内容能否被语义化理解、能否匹配更具体的观看需求，可能会变得更重要。
- 用户可用自然语言描述想看的视频内容，而不是只依赖关键词搜索。
- Gemini 会围绕描述生成个性化 feed，提升推荐的可控性。
- 该功能显示 YouTube 正在把生成式 AI 用于内容分发层，而不只是创作或搜索辅助。
- 推荐系统的竞争焦点可能从“更懂你”进一步转向“更听得懂你”。
对开发者与 API 使用者的启示：自然语言正在成为产品控制层
站在开发者和 API 使用者角度，YouTube 的这类功能具有较强的信号意义：大模型正在从聊天窗口走向应用内部的“控制层”。用户输入一句话，系统不仅返回文本答案，还会驱动后端完成检索、过滤、排序、组合和展示。这与许多企业正在建设的智能推荐、知识库检索、商品导购、内容聚合场景高度相似。
对于需要接入 OpenAI、Claude、Gemini 等模型 API 的团队来说，类似能力通常并不只是一次模型调用即可完成，而是涉及提示词设计、语义检索、用户画像、结果排序、缓存与成本控制。自然语言入口越靠近核心业务，模型调用的稳定性、并发能力和延迟表现就越关键。如果用户每次刷新信息流都触发复杂推理，成本和响应时间都会成为产品体验的瓶颈。
因此，开发者在参考这类产品方向时，需要关注几个技术实现问题：哪些环节必须调用大模型，哪些可以通过向量检索或规则系统完成；用户意图是否需要长期保存；生成的 feed 是否可复用；模型输出如何约束在安全、合规和业务可控范围内。对 API 中转和多模型接入场景而言，这也意味着企业会更重视额度管理、请求路由、失败重试以及不同模型之间的成本权衡。
Gemini 深度进入 YouTube，强化 Google AI 生态闭环
Gemini 被用于 YouTube 自定义信息流，也体现了 Google 将其大模型能力嵌入自有生态的路径。YouTube 拥有海量视频内容和用户行为数据，Gemini 则承担理解自然语言需求与连接内容资源的角色。二者结合后，平台可以把“搜索、推荐、订阅、主题探索”之间的边界进一步打通。
对行业来说，这可能会推动更多内容平台将推荐算法开放给用户用自然语言调节。未来，用户或许不再只是在设置页里选择少量偏好，而是通过一句话创建临时频道、学习清单、主题流或工作流。对开发者来说，这类趋势会带来新的 API 需求：更灵活的模型接入、更低成本的意图解析、更可靠的实时推荐编排，以及在多模型之间进行切换的能力。
总体来看，YouTube 的新功能说明，生成式 AI 正在改变用户与算法之间的关系。过去用户只能被算法观察和推断，现在可以直接向算法提出要求。对模型 API 生态而言，这类场景会继续放大企业对稳定调用、可控成本和快速集成的需求，也会让“自然语言驱动产品功能”成为更多应用的基础能力。