Agentic時代推薦系統范式認知或被顛覆？個性化推薦或將從平臺中心轉向用戶主導

在過去二三十年的互聯網發展中，個性化推薦幾乎一直是平臺的核心能力之一。打開視頻 app，平臺決定你接下來會刷到什么視頻；打開購物軟件，平臺預測你可能會購買什么商品；打開短視頻 app，平臺根據你的瀏覽、點贊、停留和互動，不斷優化信息流。某種意義上，現代互聯網的用戶體驗本身就是由推薦系統塑造的。

長期以來，個性化推薦的核心邏輯都建立在一個默認前提上：平臺最了解用戶。因為平臺擁有大量用戶行為數據，也擁有強大的推薦算法，所以個性化推薦自然應該由平臺來完成。協同過濾、矩陣分解、深度學習推薦模型，再到今天的 LLM-based recommendation，推薦系統的發展主線幾乎都是圍繞平臺展開的。

然而，這一看似牢固的范式，或許正在 Agentic 時代迎來新的轉折。來自 UIUC、UT Austin、CMU、NYU、UC Berkeley、Northeastern University 等多校研究團隊的最新 position paper 提出了一個核心觀點：在 Agentic 時代，個性化推薦不會繼續局限于平臺中心范式，而將轉向用戶主導個性化（User-Governed Personalization）。

原因很直接：平臺再強，也只能看到用戶生活的一部分；而用戶自己，才是唯一能夠跨越平臺邊界、整合線上線下完整上下文的主體。LLM Agent 的出現，則讓這種過去 “理論上成立、實踐中困難” 的用戶主導個性化第一次變得可操作。

• 論文標題：LLM Agents Enable User-Governed Personalization Beyond Platform Boundaries
• 論文地址：https://arxiv.org/pdf/2605.09794

一句話概括：平臺永遠只能看到用戶的一部分，而用戶才是唯一能整合跨平臺與線下信息的主體；LLM Agent 則讓這種 “用戶主導個性化” 第一次具備了可操作性。作者進一步通過 proof-of-concept 實驗提供了初步實驗支撐。

從平臺中心到用戶主導：個性化范式正在發生變化

過去三十年，推薦系統的發展基本都圍繞平臺展開。早期的協同過濾通過 “買了 A 的人也買了 B” 來捕捉群體行為規律；之后，矩陣分解、深度學習推薦模型、Wide & Deep、DLRM 等方法不斷增強平臺從海量用戶行為中學習偏好的能力；最近，LLM 被引入推薦系統，讓平臺能夠以更自然、更語義化的方式理解用戶歷史和興趣。雖然方法不斷演進，但一個核心限制始終沒有改變：平臺只能基于自己觀察到的數據做個性化。

例如，在傳統以平臺為中心的個性化推薦中，Amazon、YouTube、X、Instagram 各自只能看到自己的數據，并獨立做推薦；而在用戶主導個性化中，用戶可以把來自多個平臺的數據匯聚起來，再交給 LLM Agent 進行統一理解和推薦。這背后的關鍵是：平臺看到的是行為片段，而用戶擁有的是完整生活上下文。

為什么平臺很難突破這種數據壁壘？

論文首先系統分析了平臺個性化無法獲得完整用戶畫像的原因。作者指出，這并不是因為今天的推薦算法不夠強，而是因為平臺面臨一種結構性的 data barrier。

第一，競爭壁壘：用戶數據是平臺的護城河

對大型平臺而言，用戶數據本身就是最核心的競爭資產。更多用戶產生更多數據，更多數據訓練出更強模型，更強模型又吸引更多用戶，這種數據網絡效應會不斷強化頭部平臺優勢。因此，讓 Amazon、Google、Meta、Netflix、Spotify 等公司主動共享高價值用戶數據，在商業邏輯上幾乎是不現實的。即使存在監管或互操作要求，平臺也往往有動機做最低限度合規，而不是開放真正有價值的數據資產。

第二，監管壁壘：法律正在限制平臺隨意合并數據

平臺并不是想合并什么數據就能合并什么數據。例如歐盟 DMA 對 gatekeeper 級別平臺合并跨服務個人數據提出了明確限制；GDPR、CPRA 等隱私法規也都在強化用戶對個人數據的控制權。

第三，隱私壁壘：用戶不愿意把所有數據交給某個平臺

即使技術和法律允許，用戶也未必愿意讓某個平臺掌握自己完整的數字生活。一個用戶可能愿意讓 Amazon 知道自己的購物記錄，但不一定愿意讓 Amazon 同時知道自己的搜索歷史、YouTube 觀看記錄、社交媒體點贊、郵件內容和線下生活事件。因此，從用戶需求側看，用戶對數據集中化本身就有天然抗拒。

第四，認知壁壘：平臺永遠不知道用戶為什么這么做

平臺看到的是 “行為”，但看不到 “動機”。同樣一次搜索 laptop，可能是給自己買工作電腦，也可能是給朋友挑生日禮物；同樣一次購買跑鞋，可能意味著用戶開始準備馬拉松，也可能只是舊鞋壞了；同樣觀看大量育兒視頻，背后可能是自己即將成為父母，也可能是幫親友做準備。平臺可以記錄 what，卻很難知道 why。更重要的是，大量真正影響偏好的信息根本不在任何平臺日志里：搬家、換工作、結婚、生病、開始健身、經濟狀況變化、人生目標變化…… 這些線下生活上下文往往會同時影響用戶在多個領域的偏好，但沒有任何單一平臺能完整觀察到。因此，論文強調：平臺的數據壁壘不是更大模型、更強算法就能解決的技術問題，而是一個結構性限制。

用戶為什么才是唯一的整合點？

既然平臺無法跨越數據邊界，那么誰可以？論文給出的答案非常直接：用戶自己。用戶是唯一同時存在于所有平臺和線下世界中的主體。用戶知道自己在 Amazon 買了什么，也知道自己為什么買；知道自己在 Google 搜索了什么，也知道這些搜索和現實生活有什么關系；知道自己在 YouTube 看了什么，也知道哪些興趣只是短期消遣，哪些是真正長期目標。更重要的是，用戶已經逐漸擁有聚合自己數據的法律權利和技術入口。例如 GDPR 中的數據可攜帶權，要求平臺向用戶提供結構化、常用、機器可讀格式的個人數據；Google Takeout、Amazon 數據導出、Apple、Meta、X 等平臺也都提供了不同形式的數據下載工具。

但問題在于，過去這些數據雖然理論上歸用戶可控，但實際上很難被用戶利用。Google Takeout 下載下來可能是大量 JSON、CSV、HTML 文件；Amazon 訂單記錄、YouTube 歷史、Google Search 活動、X 點贊記錄格式各異。普通用戶即使拿到了這些數據，也很難閱讀、整合，更不用說用它們來反過來優化個性化推薦。這正是 LLM Agent 出場的關鍵位置。

LLM Agent 讓用戶主導個性化第一次變得可操作

論文認為，LLM Agent 的出現，使用戶主導個性化第一次具備了現實可能。原因在于，LLM Agent 不只是一個聊天機器人，而是可以成為用戶側的數據理解與決策代理。它能夠讀取和理解 JSON、CSV、HTML、文本記錄等不同格式的個人數據，也能夠把跨平臺數據與用戶的自然語言指令結合起來，進一步進行偏好建模、總結、推理、解釋，并調用外部工具或 API 執行搜索、篩選、排序和推薦任務。

這帶來了一個關鍵變化：過去是平臺根據局部數據猜測用戶想要什么，現在則是用戶可以把更完整的跨平臺信息交給 Agent，讓 Agent 幫自己判斷什么更適合自己。平臺推薦的基礎邏輯是 “我觀察到你在我這里做了什么，所以我推測你接下來可能想要什么”；用戶主導個性化的基礎邏輯則是 “我把自己跨平臺、跨場景的生活上下文交給一個受我控制的 Agent，由它在更完整的信息基礎上替我做選擇”。

論文特別強調，平臺和用戶之間真正的不對稱，不在于誰擁有更強的 LLM。因為同樣的前沿大模型，平臺和用戶理論上都可以使用。真正的不對稱在于，只有用戶能夠合法、自然、完整地聚合跨平臺與線下信息。給定同樣的大模型，誰擁有更完整的用戶上下文，誰就更有可能做出更好的個性化判斷。這就是 User-Governed Personalization 的核心邏輯。

實驗驗證：跨平臺數據是否真的能提升個性化？

為了驗證這一設想，作者團隊進行了一個 proof-of-concept 實驗。實驗共包含 15 名參與者。每位參與者下載自己的多平臺數據，包括：

• Amazon：訂單歷史、購物車活動、數字購買記錄、搜索歷史；
• Google Takeout：Google Search、Google Shopping、YouTube 觀看和搜索歷史等；
• Twitter/X：推文與點贊記錄。

實驗中使用的 Agent 基于 Claude Code，模型包括 Sonnet 4.6、Opus 4.6 和 Opus 4.7。作者設計了兩個任務來測試跨平臺數據是否真的能帶來更好的個性化。

任務一：預測用戶未來會在 Amazon 買什么

第一個任務是 Amazon future-purchase prediction：給定用戶過去一年的行為數據，Agent 需要在一個候選商品集合中排序，其中包含用戶未來三個月真實購買的商品，以及來自相關品類的 40 個負樣本。實驗比較了兩種設置：

• Amazon-only：只使用 Amazon 內部數據，包括訂單、購物車、數字購買和搜索歷史；
• Amazon + Google cross-platform：在 Amazon 數據基礎上，額外加入 Google Search、Google Shopping、YouTube 觀看歷史和 YouTube 搜索歷史。為了避免信息泄露，Google 數據只使用錨點時間前一年到前七天之間的數據，中間留出一周 buffer。

實驗結果顯示，加入跨平臺 Google 數據后，所有推薦排序指標都提升了：

• Hit@5：從 86.6 提升到 90.0；
• NDCG@5：從 64.8 提升到 68.4；
• Recall@5：從 60.1 提升到 63.9。

這些提升在統計上顯著。這說明一個很直觀但重要的事實：用戶在 Google、YouTube 上的行為，確實能夠幫助預測他未來在 Amazon 上會買什么。也就是說，用戶在一個平臺上的行為，對另一個平臺的個性化具有真實價值；只是過去平臺之間的數據壁壘讓這種價值無法被利用。

任務二：讓 Agent 推薦 YouTube 視頻

第二個任務是 YouTube video recommendation。Agent 需要為每位參與者生成 20 個 YouTube 視頻推薦，其中包括：

• 10 個 reinforcement recommendations：基于用戶已有 YouTube 觀看模式進行強化推薦；
• 10 個 exploration recommendations：探索用戶可能感興趣、但尚未在 YouTube 上明確表達過的興趣方向。參與者會在隨機、盲測的設置下觀看推薦視頻，并判斷自己是否愿意繼續觀看。實驗比較了兩種設置：
• YouTube-only：Agent 只看到用戶的 YouTube 觀看和搜索歷史；
• YouTube + full cross-platform：Agent 額外獲得 Google Search、Amazon 訂單與搜索歷史、Twitter/X 推文和點贊等跨平臺數據。

結果同樣非常明顯：

• 總體推薦 precision：從 53.3 提升到 61.6；
• reinforcement precision：從 61.5 提升到 64.6；
• exploration precision：從 45.3 提升到 58.3。

最值得注意的是 exploration recommendation 的提升，直接增加了 13 個百分點。

這說明跨平臺數據的作用，并不只是把 YouTube 已經知道的興趣再強化一遍，而是幫助 Agent 發現 YouTube 單獨看不到的興趣維度。換句話說，跨平臺數據真正打開了 “探索式個性化” 的空間。

這是不是意味著平臺推薦會被完全取代？

論文并沒有簡單宣稱平臺推薦會被 LLM Agent 取代。相反，作者明確指出，平臺仍然重要。平臺依然掌握內容庫、商品庫存、候選召回、基礎排序、交互界面等關鍵基礎設施。用戶主導個性化更可能不是完全替代平臺推薦，而是在平臺基礎設施之上，增加一個由用戶控制的最終決策層。

也就是說，未來的推薦系統可能不是 “平臺推薦 vs 用戶 Agent 推薦” 的二選一，而是形成一種新的分工：平臺負責提供候選內容、基礎匹配和群體協同信號，用戶側 Agent 則基于更完整的個人上下文進行重排、過濾和選擇。這種結構的優勢在于，它能夠同時結合兩類信號。一類是平臺擁有的群體協同信號，例如 “買了 X 的人也買了 Y”“看過 A 的人也喜歡 B”；另一類是用戶擁有的跨平臺個人信號，例如 “我最近在 Google 搜了馬拉松計劃，在 Amazon 買了跑鞋，在 YouTube 看了訓練視頻，在 Spotify 聽跑步歌單”。這兩者并不是替代關系，而是互補關系。

不過，作為一篇 position paper，作者并沒有把 User-Governed Personalization 描述成一個毫無爭議的新范式。相反，論文也討論了幾個非常自然的反對意見。

反駁一：大平臺自己整合生態數據不就行了嗎？

一個自然反駁是：Google、Apple、Meta 這些大公司本身就有多個服務，難道它們不能自己做跨平臺個性化嗎？論文的回答是：這只能部分緩解問題，但無法根本解決。即使 Google 能看到 Search、YouTube、Gmail、Maps，Apple 能看到 Mail、Calendar、Messages、Photos，它們依然看不到用戶在 Amazon、Spotify、Netflix、X、Instagram 等其他服務中的行為，更看不到完整線下生活。而且，監管層面對大型平臺跨服務合并數據的限制越來越強，進一步增加了這種生態內整合的難度。因此，大平臺生態可以擴大一個公司的觀察范圍，但無法真正獲得用戶完整生活視角。

反駁二：平臺有海量群體數據，單個用戶怎么比？

另一個反駁是，平臺擁有數億用戶的交互數據，這種 collaborative signal 是單個用戶無法獲得的。論文承認這一點，但認為這并不構成根本否定。因為用戶主導個性化并不是要拋棄協同過濾，而是補上平臺缺失的另一維信息：跨平臺的個人上下文。更進一步，LLM 本身在大規模文本預訓練中已經吸收了大量世界知識，某種程度上可以彌補缺乏顯式用戶 - 物品交互矩陣的問題。近期也已有研究表明，LLM 可以在推薦任務中作為 zero-shot ranker，并通過語言表征支持推薦推理。因此，用戶側 Agent 并不是從零開始做推薦，而是在 LLM 的世界知識基礎上，疊加用戶獨有的跨平臺數據。真正理想的未來形態，可能是平臺協同信號、LLM 世界知識和用戶跨平臺個人數據三者結合。

反駁三：用戶真的會愿意下載數據、配置 Agent 嗎？

今天的數據導出流程確實很麻煩：Google Takeout 文件龐大、格式復雜；Amazon、X、Meta 等平臺導出的數據結構也不統一。讓普通用戶手動下載、解壓、清洗、上傳給 Agent，顯然還不是一個大眾化產品體驗。此外，把所有個人數據交給云端 LLM 服務商，也可能制造新的數據集中風險。原本平臺各自只掌握一部分數據，現在如果全部交給某個 AI provider，反而可能形成更集中的隱私風險。論文對此的判斷是：這些是工具和基礎設施問題，而不是架構上的根本不可能。未來可能的發展方向包括：更順滑的數據導出和授權機制、本地優先的 LLM Agent、更強的端側推理硬件、面向個人數據的 RAG 與長上下文壓縮、可信執行環境和機密計算、開源個性化模型、用戶自愿參與的隱私保護式聯邦協作。換句話說，平臺面對的是結構性數據壁壘；而用戶主導個性化面對的更多是工程與產品成熟度問題。

用戶主導個性化還面臨哪些開放問題？

論文最后提出了幾個關鍵開放方向。首先是如何評估真正的個性化質量。個性化推薦很難像數學題一樣有標準答案。一個推薦可能相關但無聊，可能新奇但用戶不想看，也可能短期看起來沒用、長期卻很有價值。用戶的真實偏好往往模糊、多變，甚至前后不一致。因此，如何設計可靠的評估協議，是用戶主導個性化走向大規模研究的第一道難題。更復雜的是，跨平臺個人數據高度敏感，不可能像 MovieLens 或 Amazon Reviews 那樣公開成標準 benchmark。未來可能需要新的隱私保護評測框架，讓研究者既能比較方法，又不暴露用戶數據。

其次是 LLM Agent 應該如何更好地理解個人偏好。論文中的實驗主要使用 off-the-shelf LLM 和 Claude Code，并沒有針對個性化任務做專門訓練。這帶來一個問題：現有 LLM 的訓練目標主要是通用幫助性、代碼、數學、對話質量和安全對齊，而不是 “理解一個具體人的長期偏好”。如果 Agent 真正擁有用戶完整跨平臺歷史，那么什么樣的訓練目標最適合個性化？是否需要 personalization-aware training？是否需要新的 reward model？是否需要長期記憶、偏好演化建模和反事實推薦能力？這些都是未來值得深入探索的問題。

第三個問題是，如何在不犧牲隱私的情況下利用群體智慧。用戶主導個性化的一個短板，是缺乏平臺那樣的大規模群體協同信號。一種可能方向是 user-side federation，也就是用戶自愿共享匿名化偏好表示，而不是共享原始數據。通過安全聚合、差分隱私等機制，用戶既可以從群體智慧中獲益，又能保留對個人數據的控制權。這可能成為平臺協同過濾之外的另一種推薦系統組織方式。

最后一個問題是，如何構建本地優先的個人 AI 基礎設施。如果用戶主導個性化長期依賴云端 API，它仍然會面臨數據集中化風險。因此，論文強調，未來需要面向個人數據處理的本地化模型和基礎設施。這不僅是推薦系統問題，也可能成為個人 AI 操作系統的核心能力。

小結與反思

這篇論文最有價值的地方，不在于證明某個具體推薦算法比另一個算法更強，而在于它重新討論了個性化推薦背后的結構。過去的個性化是平臺中心的：平臺收集數據，平臺建模用戶，平臺決定推薦什么。論文提出的 User-Governed Personalization，則試圖把個性化的中心從平臺轉向用戶：用戶聚合自己的跨平臺與線下信息，用戶授權 Agent 理解這些信息，用戶主導最終推薦邏輯。

這背后其實是一個更大的趨勢。隨著 LLM Agent 能夠讀取文件、調用工具、執行任務和操作網頁，用戶第一次有機會把自己分散在各個平臺里的數字痕跡重新收回。在這個新范式下，個性化不再只是平臺優化 engagement 的工具，而可能成為用戶管理自己數字生活的基礎設施。

當然，這條路還遠沒有完成。數據導出體驗、個人數據隱私、本地模型能力、評估協議、跨平臺授權機制、群體協同信號的隱私保護利用，都是仍需解決的問題。但這篇論文提出的問題非常關鍵：如果只有用戶才擁有完整的自己，那么為什么個性化推薦的控制權一直主要掌握在平臺手里？LLM Agent 的出現，可能正是這個問題開始被重新回答的時刻。

總的來說，這項工作不僅為推薦系統提供了一個新的研究方向，也為未來個人 AI 的形態提供了重要啟發。平臺可以繼續提供內容、商品、服務和基礎推薦能力，但真正理解用戶完整生活的主體，或許應該回到用戶自己。