本文题为《A Survey on LLM-Powered Agents for Recommender Systems》，发表于findings of the association for computational linguistics: emnlp 2025。论文的第一作者是来自天津大学的Qiyao Peng，主要作者还包括来自度小满金融的Hongtao Liu，天津大学的Hua Huang、Minglai Shao，以及北京大学的Jian Yang和度小满金融的Qing Yang。这是一篇系统性的综述文章，旨在全面梳理和整合大型语言模型（Large Language Models， LLMs）驱动的智能体（Agents）在推荐系统领域的最新研究进展、方法、架构、评估手段以及未来挑战。
随着大语言模型在自然语言理解、推理和生成方面展现出卓越能力，推荐系统研究界开始探索如何利用这些强大模型来解决传统推荐系统面临的根本性挑战。论文开篇即点明了传统推荐系统的主要痛点：对复杂用户意图的理解有限、交互能力不足以及推荐结果的解释性差。而LLM驱动的智能体，凭借其复杂的推理能力和自然的语言交互特性，为应对这些挑战提供了新的可能性。例如，它们能够理解用户深层次的偏好、通过多轮对话主动探索用户兴趣并提供可解释的推荐理由、生成模拟真实用户行为的数据以优化系统评估。因此，本综述旨在对这一快速发展的领域进行综合性的梳理，为研究者提供一个结构化的知识框架，并指明未来发展方向。
本文的核心贡献在于提出了一个系统性的分析框架，该框架围绕四个关键维度展开：方法目标（Method Objective）、智能体架构（Agent Architecture）、数据集（Dataset）和评估方法（Evaluation Methodologies）。在方法论层面，论文将现有研究归纳为三种主要范式。
第一种范式是推荐导向（Recommender-Oriented）方法。 这类方法的核心目标是开发具备增强规划、推理、记忆和工具使用能力的智能推荐体。它们直接利用用户的交互历史，通过LLM生成最终的推荐决策。例如，RecMind 等研究尝试构建一个统一的LLM智能体，利用其综合能力直接输出推荐项目。其优势在于能够深度结合智能体的各项核心能力，实现端到端的推荐生成。然而，这类方法面临两大挑战：一是LLM的语言建模目标与推荐系统的相关性目标可能存在不一致，导致生成的文本流畅但推荐质量不高；二是直接使用LLM生成推荐决策的计算成本高昂，限制了大规模实时部署的可行性。
第二种范式是交互导向（Interaction-Oriented）方法。 这类方法侧重于通过自然语言对话来增强推荐系统的交互能力和可解释性。LLM智能体被用来进行拟人化的多轮对话，在交流中收集用户偏好，并提供解释性的推荐理由，从而提升用户体验和推荐透明度。例如，AutoConcierge 通过自然语言对话理解用户需求，最终提供可解释的个性化餐厅推荐。其挑战在于如何从非结构化的对话中准确提取和量化用户的隐含偏好信号，以及如何优化对话策略，在信息获取、推荐质量和用户体验之间取得动态平衡，例如决定何时提问、何时推荐、如何自然过渡。
第三种范式是模拟导向（Simulation-Oriented）方法。 这类方法致力于使用LLM智能体来模拟推荐系统中真实用户和物品的行为模式，从而生成高质量的仿真数据用于系统评估和优化。例如，UserSimulator 提出了一个评估协议，通过五项任务来衡量LLM作为生成式用户模拟器能在多大程度上模拟真实用户行为。这类方法在系统评估方面展现出巨大潜力，但其难点在于真实用户的决策受到环境、情感和社会因素等多重复杂情境的影响，这些因素在仿真环境中难以完全复现，限制了模拟系统对复杂用户行为的建模能力。
为了深入剖析上述各种方法，论文进一步引入了一个统一的智能体架构，该架构由四个核心模块构成：画像模块（Profile）、记忆模块（Memory）、规划模块（Planning）和行动模块（Action）。这构成了论文分析的第二个核心维度。
画像模块 负责构建和维护用户及物品的动态表示。它分析历史交互数据，识别行为模式，形成结构化表征以支撑个性化推荐。例如，AgentCF 构建基于自然语言的用户画像来捕捉动态偏好，以及物品画像来表示物品特征和潜在采纳者偏好。当前该模块的局限性在于表征结构不够灵活，难以适应新兴的用户行为模式；对时序动态的建模能力不足，缺乏有效机制平衡长期偏好与短期兴趣。
记忆模块 充当智能体的“情境大脑”，管理和利用历史交互与经验来提升推荐质量。它通常采用分层结构设计，包括感觉记忆、短期记忆和长期记忆等不同类型，形成多层次的信息存储与检索机制。例如，RecAgent 就包含了这三个层级。其面临的挑战是，随着历史数据的累积，在海量记忆库中定位关键信息的检索效率会下降；此外，缺乏有效的遗忘机制会导致系统囤积过时信息，增加计算负担并引入噪音。
规划模块 通过设计多步骤的行动计划来输出智能推荐策略，旨在平衡即时用户满意度与长期参与度目标。它通过策略生成和任务排序，动态地规划推荐轨迹。例如，在视频推荐中，系统可能规划一个策略：“先推荐流行视频建立用户兴趣，再逐步引入小众但高质量的相关内容，同时保持类型多样性”。BiLLP 的规划机制采用双层结构：宏观学习层生成高级战略计划，微观学习层则将这些计划转化为具体推荐。MACRS 则采用多智能体规划系统，由一个规划者智能体协调多个响应者智能体进行多步推理。
行动模块 是执行引擎，负责将规划模块的决策转化为具体的推荐行动，并与系统其他组件（如数据库）进行系统性交互。例如，当规划模块发出“为新用户推荐入门级相机”的指令时，行动模块会执行一系列协调动作：分析相似用户的购买模式、按特定价格和特征约束查询产品数据库、生成针对性推荐、捕获用户反馈。InterecAgent 的行动模块集成了信息查询、物品检索和物品排序三大核心工具，并通过一个候选总线进行顺序通信。
论文的第三个重要维度是对该领域常用数据集和评估方法的全面梳理与比较。在数据集方面，综述将其分为两类：传统推荐数据集和会话式推荐数据集。传统数据集如亚马逊评论数据、MovieLens、Steam、Last.fm、Yelp等，提供了大规模的用户-物品交互记录，用于评估模型在标准推荐任务上的性能。会话式数据集如ReDial、OpenDialKG，则包含了多轮对话场景，用于评估模型在交互环境下的能力。然而，这些数据集在评估LLM智能体时面临挑战：现有基准并非为智能体系统设计，难以全面评估其推理、记忆和规划等独特能力；频繁调用LLM API带来的高昂计算成本迫使研究者采用采样策略，可能影响评估的统计稳健性；部分数据可能与LLM的预训练语料重叠，存在数据泄露风险，导致评估结果失真。
在评估方法方面，论文总结了多种指标。除了标准推荐指标如NDCG@K、Recall@K、Hit Ratio@K 外，还包括语言生成质量指标（如BLEU、ROUGE）、强化学习指标（如轨迹长度、累积奖励）、会话效率指标（如平均对话轮次、成功率），以及一些自定义指标（如主动性、经济性、可解释性、模拟行为可信度等）。这种评估方法的多样性反映了LLM智能体推荐系统的复杂性，但也带来了挑战，即缺乏统一的标准使得不同研究之间的直接比较变得困难，许多自定义指标的普适性也有待验证。
最后，论文探讨了该领域未来面临的主要挑战和发展方向。首要挑战是成本高效推理，如何降低LLM在推荐场景中的计算开销是实现大规模应用的关键。其次是鲁棒评估，需要建立更统一、全面且能有效区分LLM智能体独特能力的评估框架。第三是安全性，已有研究揭示了LLM赋能的推荐系统在面对对抗性攻击时的脆弱性，未来需要开发稳健的对抗检测方法和防御架构。此外，论文还指出了其自身综述的局限性，例如分类框架可能随着混合方法的涌现而需要扩展，以及由于目前工业界采用有限，对商业部署中的独特挑战探讨不足。
总体而言，这篇发表在EMNLP 2025上的综述具有重要的学术价值。它为快速兴起的“LLM智能体+推荐系统”交叉领域提供了一个清晰、系统且结构化的知识图谱。其提出的三维分类法（方法范式、架构模块、评估维度）为后续研究者理解和定位自己的工作提供了有效的分析工具。论文不仅总结了现有成果，更深刻地指出了当前研究在目标对齐、计算效率、模拟真实性、评估标准等方面存在的根本性挑战，为未来的研究方向提供了宝贵的指引。无论是对于刚进入该领域的新手，还是寻求突破的资深研究者，本文都是一份不可或缺的参考资料。