面向推荐系统的LLM智能体综述

推荐系统已经是电商、社交媒体和娱乐平台运转的基础设施，但传统做法在三个地方反复卡壳：难以理解数值交互之外的复杂用户意图，缺少与用户来回交互、主动探询偏好的能力，也给不出可解释的推荐理由。大语言模型驱动的智能体被提出来正面应对这三点——它可以用自然语言与用户对话，用推理过程支撑推荐结论。这份综述的价值在于，它没有停留在“LLM 能做推荐”的口号上，而是把分散的研究整理成可以对照的框架，让读者看清这个子领域目前有哪几条路、各自走到哪一步。

综述给出的第一层地图是三种研究范式：recommender-oriented、interaction-oriented 和 simulation-oriented。第一类把智能体嵌进推荐机制本身，用来增强基础推荐能力；第二类把重点放在交互上，通过自然对话和可解释的建议维持用户的动态参与；第三类则用多智能体框架去模拟复杂的用户—物品交互和系统动态。三者不是互相替代的关系，而是分别回答“推荐得更准”“推荐得更能聊”“推荐系统怎么被更好地评估和推演”这三个不同问题。这个划分本身是作者的整理成果，对想快速定位自己关心哪一块的读者来说，比逐篇翻论文省力得多。

第二层地图落在架构上。作者提出一个统一的智能体框架，把这类系统拆成四个核心模块：Profile Construction（画像构建）、Memory Management（记忆管理）、Strategic Planning（策略规划）和 Action Execution（动作执行），再用它逐一对照现有方法是怎么实现这些部件的。换句话说，读完之后你手里不只有分类标签，还有一套可以拿来审视任何一篇具体工作的检查表——它有没有画像、记忆怎么存、规划在哪一层、动作怎么落地。综述还给出了传统推荐的问题形式化：在用户空间、物品空间和交互矩阵上学习一个偏好函数并最小化预测损失，从矩阵分解一路到深度学习，这条线索被用来说明为什么“只拟合数值交互”会遇到天花板。

在方法比较之外，这份综述把数据集和评测单独拎出来做了一轮梳理，涉及 Amazon 系列、MovieLens、Steam 等常用数据源，评测上既覆盖标准推荐指标，也覆盖为 LLM 智能体新设计的评估方式。作者还归纳了这类系统相对传统方法的几项优势：借助推理能力理解复杂偏好并生成有上下文的推荐，超出简单的特征匹配；通过多轮自然语言对话主动探索兴趣并给出可解释说明；生成带情绪状态和时间动态的更真实用户画像，从而改进系统评估；以及依靠预训练知识和泛化能力做跨域迁移，以较少的额外训练缓解冷启动。这几条并不是互相独立的卖点，它们共同指向同一个判断：智能体带来的不只是精度上的增量，还有交互形态和评估方式的变化。

这意味着一件事——如果你的工作是推荐算法，那么可比较的对象正在从“又一个排序模型”变成“一个带画像、记忆、规划和动作的完整回路”，评测也不能只看离线指标。反过来说，交互能力的引入让“推荐得准不准”之外多了一把尺子：推荐理由是否讲得通、多轮对话里用户偏好是否被真正探到。对做系统评估的人来说，仿真范式的意义可能比它现在受到的关注更大，因为它试图解决的是推荐系统长期缺少可控实验环境的问题。这些判断是我的解读，综述本身提供的是分类和对照，结论仍要回到具体论文和实验里去验证。

这份材料适合两类读者：一是想进入 LLM+推荐这个交叉方向、需要一张全景图来安排阅读顺序的研究者和工程人员；二是已经在做推荐系统、想判断要不要引入智能体组件的实践者。能带走的东西比较具体：三种范式的坐标、四模块的分析框架、一份数据集与评测方法的对照清单，以及作者列出的若干未来方向。需要说明边界：它是一份综述，本身不提出新模型，也不报告自己的实验结果；材料给出的摘录止于背景与贡献部分，各方法的具体性能和对比数据需要回到原文正文与附录去看。另外，这个方向进展很快，综述的覆盖范围以成文时的文献为准，读者不宜把它当成随时间自动更新的清单。

A Survey on LLM-powered Agents for Recommender Systems Qiyao Peng1 , Hongtao Liu2 , Hua Huang1 , Qing Yang2 , and Minglai Shao1 1School of New Media and Communication, Tianjin University, Tianjin, China 2Du Xiaoman Financial Technology, Beijing, China {qypeng, huanghua18, shaoml}@tju.edu.cn, {liuhongtao01,yangqing}@duxiaoman.com Abstract Recommender systems are essential components of many online platforms, yet traditional approaches still struggle with understanding complex user pref- erences and providing explainable recommenda- tions. The emergence of Large Language Model (LLM)-powered agents offers a promising approach by enabling natural language interactions and in- terpretable reasoning, potentially transforming re- search in recommender systems. This survey pro- vides a systematic review of the emerging applica- tions of LLM-powered agents in recommender sys- tems.