首先，算法推荐是重要的，但它并非全部。人类有多种信息需求场景，不同的信息分发方式和工具在互相配合来满足用户的需求。这些分发方式的具体工具，或许在不同阶段此消彼长，但本质上并没有完全取代对方。
举个简单的例子：假设一个初级电影爱好者想在周末看一部电影，会有几种可能?如果他今天想看库布里克的作品，他可能直接打开搜索框，搜索“库布里克”导演，看看他导演的作品还有哪些自己没看过;如果他自己没有特定的想法，便可能打开个性化推荐的APP，在熟悉自己喜好的信息流中，刷一刷看有没有感兴趣的电影;当然，如果他运气好，微信加了一个电影发烧友，也可以直接请对方推荐几部。
从这个例子中，可以看到：搜索引擎满足了用户有明确目的时的主动查找需求;而推荐系统能够在用户没有明确目的的时候，帮助他们发现感兴趣的新内容——从这个意义上看，“推荐”和“搜索”实际上是满足人们不同需求的两个互补的工具。
当个性化推荐应用发展迅速的时候，人们可能会不由自主地假设它占据自己的全部信息场景;然而，在现实情况里，一个人在日常生活中接触信息的渠道，远比我们想象得要更加丰富—— 2016 年Seth Flaxman等学者进行的一项实验，也证明了这个结论(3)。
该研究请 5 万名参与者，自主报告自己最近获取信息的新闻媒体来源，同时通过电子手段直接监测和记录他们的实际新闻消费行为，包括网页浏览历史等。两项数据的对比后，研究最终发现人们实际的媒体消费比他们所想象的更具有多样性。
再者，从根本上来说，算法是运用智能来解决信息分发问题的思路，而非一个绝对的和定型的操作手段，它本身也在不断发展。算法与编辑、社交并不对立，将三者有机结合可以帮助实现更有效的信息匹配。
《内容算法》一书中，作者把算法比喻为“是个筐，什么都能往里装”：算法是基于我们对现实世界的理解进行的抽象和建模，所有我们关心的因素(编辑分发、社交分发)都可以转化为算法推荐的参考因素。
实际应用的推荐系统通常都会使用多种推荐算法，来提高推荐系统的个性化、多样性、健壮性(即鲁棒性)。比如：运用基于内容的推荐算法，解决用户和内容的冷启动问题;在拥有了一定的用户行为数据后，根据业务场景的需要综合使用基于用户的协同过滤(UserCF)、基于物品的协同过滤(ItemCF)、矩阵分解或其他推荐算法进行离线计算和模型训练，并综合考虑用户的社交网络数据、时间相关和地理数据等进行推荐。
与此同时，人工编辑也在关键的时候发挥作用。比如在今日头条平台，由人工审核和机器算法共同对内容进行把关。一个拥有良好推荐机制和规则的平台，能够助力高质量内容的传播，从而促进内容生态的发展。新技术环境中，专业内容生产和编辑团队的价值不仅不会褪色，还会越来越重要。
