未来是智能体式的：多智能体推荐系统的定义、视角与开放挑战

大型语言模型(LLM)正迅速从被动的文本生成引擎演变为能够规划、记忆、调用外部工具并相互协作的智能体实体。这篇展望论文研究了此类 LLM 智能体(及其构成的群体)如何能够变革推荐系统的设计空间。我们引入了一个统一的形式化体系，该体系(i)将单个智能体建模为由其语言核心、工具集和分层记忆组成的元组，并且(ii)将多智能体推荐器刻画为包含智能体、共享环境和通信协议的三元组。在此框架内，我们展示了四个端到端用例——交互式派对规划、用于离线评估的合成用户模拟、多模态家具推荐以及品牌对齐的解释生成——每个用例都说明了由智能体编排解锁的独特能力。随后，我们提出了五个跨领域的挑战家族：协议复杂性、可扩展性、幻觉与错误传播、涌现的错位(包括隐蔽合谋)以及品牌合规性。针对每一项挑战，我们形式化了问题，回顾了新兴的缓解策略，并概述了开放的研究问题。其结果既是一份蓝图也是一份议程：这份蓝图展示了如何将记忆增强且使用工具的 LLM 智能体组合成稳健的推荐流水线，而该议程则邀请 RecSys 社区开发能跟上这种新自主性程度的基准测试、理论保证和治理工具。通过将智能体抽象与推荐器目标相统一，本文为下一代个性化、值得信赖且上下文丰富的推荐服务奠定了基础。