面向持久化 Agent 的感知中心架构
🧭 持久化 Agent 感知中心架构
NLP Lab, Fudan University · PL Lab, Peking University · CCDS, Nanyang Technological University · Hunyuan Team, Tencent
提出 Pera 架构，用感知与控制组件持续感知任务执行、内部上下文和环境变化，构建生命周期任务驱动长期服务的自适应
📌 工作参考价值（4 点）
- 在电商/广告的对话式推荐或搜索 Agent 中，可以引入独立的“感知层”，持续收集任务执行日志、用户上下文变化（点击、收藏、加购）和环境信号（库存、竞价、大促），而不是每次请求都从零开始；这能显著提升长期用户陪伴和策略自适应性。
- 借鉴 Pera 的“生命周期任务”抽象，把一次性推荐/出价/文案生成改造成可监控的长期任务：例如用户兴趣漂移检测、商品生命周期管理、广告创意衰退检测，由感知事件触发重优化，适合电商场景中的持续运营。
- 采用感知与控制分离的工程实现：感知组件聚合 episodic memory 和外部信号，控制组件只负责把信号转化为待办任务队列，避免把记忆、工具、决策逻辑耦合在单个 LLM prompt 里，便于在推荐系统中做在线策略迭代和灰度。
- 如果已有 RAG 或 memory 增强的推荐 Agent，可按 Pera 思路补充“环境变化感知”通道（如商品下架、价格变动、用户实时行为），驱动生命周期任务更新推荐候选与话术，提升实时性和成交转化。
智能体模型批判：从代理到内生能动性
🧭 Agent 能动性分析与架构设计
Institute of Foundation Models, Mohamed bin Zayed University of Artificial Intelligence · School of Computer Science, Carnegie Mellon University
区分“代理式”与“内生式”AI系统，提出GIC架构以实现源于系统内部的真正能动性
📌 工作参考价值（4 点）
- 构建自主推荐Agent时区分“流程编排”与“内生能力”：当前多数推荐LLM Agent（如工具调用搜索）停留在agentic阶段，通过外部工作流拼接；真正能适应开放世界的推荐系统应走向agentive，让目标分解、用户身份理解、自我纠偏内化至模型，减少硬编码脚本。
- 在电商Agent中引入身份演化和自我调节：GIC架构的身份演化机制可用于用户建模，使Agent捕捉长期偏好变化而非仅反应当前会话；自我调节模块可监测推荐是否符合长期客户价值（如避免过度追求短期点击），自动调整策略。
- 利用分离的世界模型进行仿真推理：训练一个独立的世界模型（用户行为、市场环境模拟），Agent可在此模拟器中试错（simulative reasoning），安全地学习推荐策略，避免直接在线上探索带来的风险，尤其适用于高价值商品推荐或广告投放。
- 分级目标分解应对多目标冲突：电商场景下推荐常面临多目标（点击、转化、GMV、多样性），GIC的分层目标分解提供形式化框架，将抽象公司目标逐层拆解为可执行的子目标，并自主协调冲突。
递归智能体框架：以完整工具集为递归单元的长上下文推理
🧭 Agent 架构 · 长上下文推理 · 代码即行动 ★ 深度解读
PricewaterhouseCoopers, U.S.
将递归单元从裸模型调用升级为完整 agent harness，在长上下文推理上超越 coding agent 和 RLM，代码生成子 agent 并行处理。
📌 工作参考价值（4 点）
- 用代码脚本生成子 agent 替代工具调用并行限制：当需要处理大量独立条目（如千级商品描述分析）时，由父 agent 生成 asyncio 并行脚本，绕过 API 并行调用上限，可应用于电商批量商品属性提取或用户评论汇总。
- 递归单元配备完整文件系统与执行环境：每个子 agent 拥有独立的上下文窗口和工具（read_file、grep、execute 等），避免共享状态干扰，适合多文档聚合任务（如合同审查、多源数据抽取），可直接用于客服历史或物流文档分析。
- 模式可组合：代码路径处理海量条目，工具调用路径处理少量任务：根据条目数自动选择策略（少于5个用 JSON tool call，否则用代码执行），兼顾效率与灵活性，推荐系统中对候选池做细粒度推理时可借鉴。
- 递归深度可配置且架构与模型解耦：沿用 GPT-5 到 Claude Sonnet 均显著提升，表明 harness 设计本身带来增益，从业者可在现有模型基础上仅升级编排逻辑而无须换模型。