动机
基于大语言模型的推荐系统模拟中，现有工作多聚焦记忆与动作模块，忽视用户画像生成，而画像直接决定模拟行为的真实性与可迁移性。手工定义属性schema导致信息瓶颈、行为不对齐且难以跨领域泛化，因此需要一种自动化、不依赖模板且能适应不同任务的画像生成方法。

方法关键点
APG4RecSim为训练无关的三阶段框架：

• 阶段1：提取与初始化：从用户交互历史出发，并行生成3组候选属性，构建高召回原始属性池，避免遗漏潜在偏好。
• 阶段2：上下文感知语义合并：利用数据集schema、任务描述与示例构成的上下文，对原始属性进行语义去重和领域对齐，得到紧凑的任务无关画像。
• 阶段3：因果映射与精炼：实例化任务决策路径（如识别、排序、评分），通过反事实扰动测试，将画像属性映射到具体决策步骤，生成可执行的决策政策。
  整个过程无需训练，仅依赖LLM推理。

关键实验与数字
在ML-1M、Amazon-Book、Amazon-Beauty三个数据集上，对比RecAgent、Agent4Rec、直接使用交互历史及无画像四种基线。在识别、排序、评分三个任务上，APG4RecSim在24个评估指标中有16个最优、7个次优。关键提升：排序nDCG@10相比基线最高提升7%，评分分布的Jensen-Shannon散度（JSD）降低8%，表明宏观行为分布更贴近真实用户。消融与鲁棒性分析显示，框架对位置偏差和流行度偏差具有强抵抗力，且能在Llama、GPT、DeepSeek等不同LLM上保持性能，验证了领域与模型泛化能力。

核心启示
结构化、任务对齐的画像生成不仅能提升单点指标，更重要的是通过将决策路径显式建模，使模拟行为真正摆脱对全局统计先验（如流行度）的依赖，实现更可靠、可解释的用户模拟。