语义不足时：用户画像引导的跨域序列推荐
🧭 跨域序列推荐 · LLM 用户画像引导 ★ 深度解读
北京交通大学 · 中山大学 · 南洋理工大学
用 LLM 推断用户画像作为全局引导替代跨域语义桥接，结合本地语义关联提升跨域序列推荐
📌 工作参考价值（3 点）
- 跨域/多场景推荐中，避免全局 item 语义对齐；用 LLM 从用户混合行为序列推断 persona（输出 why 而非 what，提示词约束不提具体 item/brand/domain），作为跨域行为建模的全局引导信号，可作为多域用户表示的统一先验。
- 行为与语义表示分离：跨域共享行为 embedding 随机初始化、与混合序列联合训练，避免语义域隔离；冻结的 item 语义 embedding 只用于域内局部邻域正则和域偏好分支，最后通过可学习 gate 自适应融合。工程上可离线预计算 persona 和语义 embedding，不增加在线推理成本。
- 辅助损失设计：Local Semantic Association 对每个 item 取 Top-K 语义邻域，回归语义相似度与行为相似度；Global Persona Guidance 使用 persona-aware attention 对序列隐藏态加权，做用户级对比学习。两项都是轻量插件，可加到现有 Transformer 序列模型。
PersonaCUABench：多样化用户人设下的计算机使用智能体评测基准
🧭 Agent 评测 · 用户多样性
The University of Texas at Dallas · University of Southern California · Carnegie Mellon University · Georgia Institute of Technology · University of California, Los Angeles
固定任务、仅变化用户人设，发现 CUA 任务完成率平均下降 36%
📌 工作参考价值（4 点）
- 对话式推荐/购物 Agent 评测可借鉴「固定任务、仅变化用户 persona」的设计，分离任务难度与用户表达差异，避免只测固定指令。
- 用户 simulation 中让 persona agent 用自己的话改写请求、回答追问，能暴露模型对含混需求、额外约束、批准流程的理解能力。
- 评估指标需同时看任务完成与用户满意度/约束遵循：论文中任务完成但用户最高满意度仅 62.7%，提醒业务中不能只优化结果正确。
- 错误分析维度「理解错需求导致失败」vs「用户要求停止但被判定失败」可帮助定位是语义理解问题还是策略/安全机制问题。
矩阵世界：用83亿虚拟用户画像模拟评估AI系统
🧭 大规模用户模拟评估基础设施 ★ 深度解读
Harvard University · Massachusetts Institute of Technology
提出83亿虚拟画像的大规模用户模拟评估基础设施，在四种环境中完成18,189次试验，行为一致性达91.5%
📌 工作参考价值（4 点）
- 可复用的结构化画像模板：1290维的画像 Schema 可直接映射电商用户特征（购买力、品类偏好、决策风格），驱动 LLM Agent 生成拟真的评价、购买意愿、价格敏感行为，用于推荐策略的预部署测试。
- 四类评估环境开箱即用：Survey 测价格弹性，Chatbot 测客服方案，Web 测商品浏览与选品体验，App 测购物流程与隐私控制。可直接改造为电商/信息流场景的 A/B 测试沙盒。
- 可迁移的任务库与指标：1010 个预定义任务中包含价格敏感度、购买意愿、推荐满意度、留存意图等模板，提炼出“结果型验证器+过程型行为记录”的评估模式，能直接复用在推荐解释、搜索排序等产品实验上。
- 一致性验证的方法论：400 组对照试验中 91.5% 的行为表达/抑制成功率，说明结构化画像 + LLM 能产出有区分度的群体反馈，可作为推荐冷启动或人群包效果预判的低成本验证手段。
Ψ-Bench: 评估基于画像的个性化说服对话能力基准
🧭 个性化代理 · 说服性对话评估 ★ 深度解读
University of Illinois Urbana-Champaign
提出Ψ-Bench，通过模拟个性化客户评估LLM在说服性对话中的画像敏感影响能力
📌 工作参考价值（4 点）
- 电商客服或营销对话中可借鉴画像驱动的评估框架：用合成用户画像模拟真实客户，并用LLM裁判评估对话的个性化和说服效果，替代或补充人工评估。
- 在对话推荐或主动推送中，可部署轻量级画像分析器（如RL训练的小模型）从用户历史对话中实时推断偏好，动态调整话术，提升转化。
- 发现即使强模型在缺乏用户特定信息时说服力有限，意味着在生成式推荐或对话代理中，显式用户建模（如行为序列、长期偏好）比单纯提升生成质量更关键。
- 评估指标设计上，将“个性化响应水平”作为中间指标，与最终效果强相关（ρ=0.77），可在业务中用作可解释的离线代理指标，降低线上实验成本。
RHELM：真实、异构、演化的长期记忆评测基准
🧭 LLM长期记忆评估基准 ★ 深度解读
Renmin University of China · Microsoft
提出LOOP模块驱动动态多源对话，定义27项记忆特征，揭示LLM在真实场景中的严重记忆缺陷
📌 工作参考价值（4 点）
- 用户画像动态演化机制：LOOP模块的“规划-推演-演化-修剪”循环可复用于电商Agent的用户画像更新，通过概率化正面/负面结果推演，使对话长期一致且状态动态演变，避免画像僵化。
- 异构记忆融合设计：借鉴RHELM将对话流与外部文档（报告、邮件）在时间线上对齐的做法，在推荐或客服系统中整合多源信息（用户聊天、浏览记录、工单），提升对用户全维理解。
- 误导查询压力测试：引入“记忆条件误导查询”维度，主动构造与用户历史状态冲突的请求，检测模型是否盲目遵循指令。可移植到电商Agent的意图冲突检测，避免对已退货商品继续推荐或执行矛盾操作。
- Verifier辅助数据质检：在合成训练或评估数据时，采用分阶段Verifier自动校验语义一致性，可降低人工成本并保障数据质量，适合大规模生成式推荐场景的数据管线。
COLLEAGUE.SKILL：从人类痕迹自动蒸馏出可检查、可纠正的Agent技能包
🧭 Agent 技能自动化生成 · 专家知识蒸馏 ★ 深度解读
Shanghai Artificial Intelligence Laboratory
提出双轨蒸馏流水线，将人类工作痕迹和交互证据转化为可移植、可检查、可版本管理的Agent技能制品
📌 工作参考价值（4 点）
- 电商场景下，可将资深运营/选品专家的聊天记录、设计文档、审核备注蒸馏为Agent技能包，封装如商品筛选规则、风控阈值、沟通话术模板，实现专家知识的可复用与跨团队传递。
- 双轨设计分离“能力”与“行为”，能力轨道存放业务规则、决策启发式，行为轨道约束交互风格与边界；在推荐Agent中可分别调控推荐策略与推荐理由的生成语气，避免能力与人格混淆。
- 基于自然语言的修正和版本回滚机制：Agent上线后，业务人员用“这里不该推荐此类商品”等反馈直接修正技能包，系统自动归档旧版本并生成新版本，便于审计和快速实验。
- 本地优先的治理与安装器：技能包可作为本地文件管理、删除和分发，支持主流Agent主机（Claude Code、Codex等），适合企业内部敏感知识的受控使用；画廊模式可构建内部技能市场。