大型语言模型赋能的推荐与搜索智能体研究综述：迈向下一代信息检索

作者及机构
本综述由清华大学张宇、澳大利亚昆士兰大学乔舒桐、张佳琪、清华大学林梓恒、高晨和李勇共同完成，发表于2025年4月的《ACM Transactions on Information Systems》（ACM Trans. Inf. Syst.）。

研究背景与目标
随着信息技术的快速发展，互联网内容的爆炸式增长使得用户获取相关信息的难度显著增加。传统的推荐系统（Recommender Systems, RS）和搜索引擎（Search Systems）在过去二十年中虽取得显著进展，但仍面临用户意图理解不足、动态环境适应性差、冷启动问题等挑战。近年来，大型语言模型（Large Language Models, LLMs）在语言理解、推理和决策任务中展现出超越人类的表现，为信息检索（Information Retrieval, IR）领域带来了变革潜力。本文首次系统梳理了基于LLM的智能体（LLM Agents）在推荐与搜索领域的研究进展，旨在为下一代信息检索技术提供理论框架和实践指导。

核心内容与框架
1. LLM Agents的核心能力与分类
- 深度思考与任务分解：LLM Agents通过链式推理（Chain-of-Thought, CoT）和长上下文窗口技术，将复杂查询分解为子任务（如旅行规划中的目的地选择、行程安排等）。
- 环境交互与信息整合：通过调用外部工具（如API、网页浏览）实现多源数据检索，并生成结构化摘要（如学术文献综述）。
- 用户行为模拟：替代真实用户生成反馈，优化推荐算法（如强化学习环境训练）。
- 模块化架构：包括感知模块（多模态信息输入）、控制模块（LLM核心推理）和行动模块（工具调用与结果生成）。

1. 推荐系统中的LLM Agents应用

   • 用户交互优化：如AutoConcierge框架通过自然语言对话动态调整推荐策略；ToolRec通过外部工具增强个性化推荐。
     
   • 表征优化：AgentCF将用户与物品建模为具有记忆的智能体，通过协同学习动态更新偏好。
     
   • 系统集成：单智能体（如RecMind的自启发算法）与多智能体协作（如MACRec框架的分工协作）结合，提升推荐效率。
     
   • 环境仿真：Agent4Rec通过模拟用户行为生成测试数据，解决真实数据稀缺问题。
     

2. 搜索引擎中的LLM Agents角色

   • 任务分解器（如LASER框架）将复杂查询拆解为多步操作。
     
   • 查询重写器（如CoSearchAgent）通过对话历史优化搜索关键词。
     
   • 行动执行器（如EasyTool）标准化工具调用接口，提升检索效率。
     
   • 结果合成器（如ChatCite）模仿人类专家生成文献综述。
     
   • 用户模拟器（如USimAgent）评估搜索结果的用户满意度。
     

3. 具身智能体（Embodied Agents）的未来方向

   • 网络环境交互：通过GUI操作实现动态学习（如AndroidWorld仿真平台）。
     
   • 终身学习与跨领域适应：解决传统推荐系统的灾难性遗忘问题。
     
   • 轻量化部署：探索端侧个性化服务（如SmartAgent的链式用户思维范式）。
     

研究意义与创新点
1. 学术价值：首次系统构建了LLM Agents在推荐与搜索领域的分类体系，填补了该领域的综述空白。
2. 方法论创新：提出多智能体协作、工具调用标准化、用户模拟评估等新范式。
3. 应用前景：为下一代个性化、动态化和多模态信息检索系统提供技术路线，尤其在电商、学术搜索、旅行规划等场景潜力显著。

挑战与展望
- 幻觉与偏见：需结合检索增强生成（Retrieval-Augmented Generation, RAG）和提示工程优化结果可信度。
- 计算成本：需开发轻量化模型（如Avatar框架的推理优化）。
- 隐私与安全：平衡个性化服务与数据保护（如联邦学习与边缘计算结合）。

亮点总结
1. 全面性：覆盖推荐、搜索及新兴的具身智能体，横跨技术架构与应用场景。
2. 前瞻性：提出“LLM Agents作为下一代IR核心”的愿景，并论证其可行性。
3. 实践导向：附开源论文列表（GitHub链接），推动领域协作。

本文为研究者提供了从理论到实践的完整路线图，标志着信息检索技术向智能化、人性化迈进的重大转折。