Shape Your Feed: An LLM-based Agentic System for Conversational Recommendation

1. 问题与动机

这篇论文针对的是工业信息流推荐中的“用户明明表达了兴趣，系统却只能从点击和停留里猜”的结构性问题。传统线上排序可以写成根据用户历史行为、候选内容和上下文预测点击或停留概率，但用户没有一个能实时表达细粒度偏好的显式变量。因此，用户只能通过点击、不感兴趣、划走等粗粒度行为慢慢改变画像，无法直接说出“多看熟悉的创作者，但少看标题党”“保留科技内容，减少夸张的 AI 观点”这类混合约束。论文把这种不匹配称为 passive ranking 与 user agency 之间的鸿沟。

作者认为，将 LLM 直接放进推荐链路又会引入三类新的风险。第一，系统必须严格绑定生产目录，不能生成平台实际不存在或不可服务的 item；第二，对话是多轮的，用户可能在同一轮同时提出短期需求和长期兴趣，需要显式跟踪状态及冲突；第三，信息流吞吐高、延迟预算紧，系统必须让用户输入迅速改变排序，同时保住原有生产排序的稳定性。论文还用一个很具体的对照揭示传统信号的不足：在用户兴趣匹配与不匹配的内容段之间，传统 Show Less 概率的 P90 只有 0.208 对 0.199，差值 0.009；Show More 概率为 0.289 对 0.212，仍难形成可用的语义判别边界。这说明被动反馈特征很难直接执行新的、细粒度的语言偏好。

2. 方法详解

Shape Your Feed（SYF）不是让 LLM 从整个目录自由生成推荐，而是把 LLM 设计成位于成熟排序系统之上的结构化控制器。系统由 Perception Flow、Serving Flow 和 Self-Evolution Flow 三条流组成，并通过 Memory Persistence Layer 共享状态。

Perception Flow 先把文字、语音和 UI 操作统一为交互输入 I_t，再由编排器决定是否调用推荐工具链。推荐工具链包含意图检测、偏好合成和候选源三个模块。偏好合成把当前输入、旧的语义画像 S_(t-1) 和历史意图轨迹 T_(t-1) 合并为新的 S_t，其中明确做了四种操作：去重相似意图、强化重复主题、解决正负偏好的冲突，以及做语义扩展。系统同时写入 Intent Trajectory，保留跨会话的兴趣变化；如果新输入产生了正向兴趣增量 ΔS_t+，就异步启动候选源，从内容库存中检索候选，用轻量排序模型打分，按每个兴趣选择 Top-K，并写入 Candidate Cache。异步候选源把检索和刷新移出主服务路径，减少新意图带来的延迟抖动。

Serving Flow 是真正影响信息流列表的部分。它把候选的原始特征，如主题字符串、创作者信息和生产排序信号，解码为 LLM 可读的上下文，再将语义画像和候选池组成 P_align。候选池由线上生产候选 C_prod 与语义画像触发的缓存候选 C_aug 合并而成。模型以 list-wise 方式一次性输出候选的语义对齐分数，而不是对每个 item 独立调用一次 LLM。对不符合负向兴趣的候选，系统使用阈值 τ 做硬删除；对保留下来的候选，最终分数为 s_final = α × y_(v|S_t) + (1-α) × y_(u,v)，前一项表示内容与显式语义画像的匹配，后一项是原有生产排序分数。这样既能处理“少看什么”的硬约束，也不会完全牺牲已有点击/停留质量。排序后系统为靠前内容生成简短的“因为你要求更多某主题”的确认文本，但推荐决策仍然依赖目录内候选。

Self-Evolution Flow 通过两条反馈路径更新系统。Agentic-to-Production Propagation 将语义画像、意图轨迹和用户—Agent—Feed 行为提炼成三类结构化先验：表示增强、早期检索增强和后期个性化。Dual-Feedback Policy Alignment 则把稀疏但高价值的真实用户行为与离线 LLM-as-a-Judge 标注结合起来。训练分为 SFT 和 DPO 两阶段：先用评审模型产生的列表标签建立基础策略，再用用户明确的喜欢/不喜欢等 chosen-rejected 对进行 DPO，不需要单独训练 reward model，也不需要线上 RL rollout。论文使用 Llama 4 Maverick 和 Qwen3-VL-235B-A22B 等开源评审模型做多数投票，评审结果与人工判断在多评审基准上的一致率为 96%。

训练配置给出了较清晰的工程边界。SFT 微调 Llama3-8B，使用单机 8 张 80GB GPU，batch size 为 1，learning rate 为 2e-5，每个 epoch 约需 2.5 个 GPU 小时；DPO 使用 2 台机器、每台 8 张 A100 80GB，batch size 为 4，learning rate 为 2e-6，训练 1 个完整 epoch。服务侧把高延迟的感知、候选刷新和离线演化与高吞吐的 Serving Flow 分开，Serving 使用较小模型做 list-wise 打分，避免把 70B 模型直接放进关键路径。

3. 核心技术贡献

第一，论文把“显式兴趣”建模为可编辑的半结构化状态，而不是把一段对话直接拼进 prompt。Semantic Profile 保存兴趣、反兴趣和强度，Intent Trajectory 保存时间变化，Candidate Cache 保存兴趣触发的候选。这样做的价值在于可审计、可更新、可回滚，用户下一次表达“少看某主题”时可以修改已有状态，而不是重新解释全部历史。

第二，SYF 将 agentic 能力限制在候选池的增强、裁剪和重排。候选仍来自生产库存，LLM 只对池内内容做语义判断，负向意图可通过阈值直接过滤，最终分数还保留原排序信号。这种设计把目录合法性、线上吞吐和显式控制放在同一条契约里，避免了自由生成 item ID 的幻觉风险。

第三，论文将稀疏真实反馈与高覆盖的评审模型标注组合起来。SFT 负责把模型拉到推荐任务分布，DPO 再用真实用户偏好收紧决策边界；评审模型只用于补齐缺失标签，而不是成为不可解释的线上决策者。实验中 SFT+DPO 的 F1 比 SFT 进一步高 2.5 个百分点，说明真实偏好对齐不是可有可无的后处理。

第四，系统层面采用异步候选源、list-wise 打分和三流解耦。候选刷新发生在用户语义状态改变之后，主路径只读取缓存并对生产候选做一次批量对齐；这让“更多内容”“少看某类内容”等输入能较快生效，又把最昂贵的 retrieval loop 和模型训练隔离开。论文的在线消融也证明，反馈胶囊主要提高信号收集，Serving Flow 才负责把信号转化为列表质量。

4. 实验结果分析

离线首先比较 few-shot、SFT 和 SFT+DPO。结果如下：

SFT 相比 few-shot 不只是准确率更高，延迟也从 650ms 降到 325ms；这说明把模型收敛到结构化对齐任务后，可以用单次 list-wise 预测替代更冗长的通用推理。DPO 在几乎不增加延迟的情况下，把 F1 从 76.97% 提到 79.51%，提升 2.54 个百分点，主要改善 recall 和负向意图边界。独立的人工作为黄金集，共有 1029 个标注样本，SFT+DPO 的 accuracy、precision、recall、F1 分别为 95.8%、75.6%、74.7%、75.1%，与自动评估接近，说明结果不完全是评审模型自我循环的产物。

与传统排序信号的比较更能说明方法解决的不是普通点击预测。匹配用户画像的内容和不匹配内容之间，传统 P90(CSL) 是 0.208 与 0.199，传统 P90(CSM) 是 0.289 与 0.212；而 SFT+DPO 在匹配/不匹配两组上的准确率分别是 79.4% 和 99.4%，能明显分开正向与负向语义约束。这里的 99.4% 不是整个推荐列表的 CTR，而是对语义对齐二分类的准确率，不能直接解读成线上点击提升。

线上实验覆盖美国和加拿大、18 岁以上用户的生产流量，持续数月，并只启用 Context-Aware Feedback Pills 以隔离界面变化。用户对语义反馈胶囊的选择占比为 76.02%，静态胶囊为 23.98%。全量 SYF 相对生产基线使 Post Dismiss 下降 1.70%，Post Dislike 下降 2.74%，新兴趣消费提升 0.16%。这些指标同时改善，说明收益不只是更容易点击反馈，而是减少了明确不喜欢的内容并扩大了新兴趣探索。

消融把 UI 与算法执行拆开：只有反馈胶囊时 UI Click 为 +3.30%，但 Post Dismiss 反而 +0.68%，Post Dislike 仅 -0.13%，Interest Consumption 为 -0.029%；完整系统对应 UI Click +2.90%、Post Dismiss -1.70%、Post Dislike -2.74%、Interest Consumption +0.16%。因此，胶囊只负责收集更好的监督信号，候选增强、负向裁剪和语义重排才是改善内容质量的原因。

系统效率是这篇工业工作的重要证据。对齐打分的主要耗时为 323ms，但通过并行与异步接入，关键路径额外延迟只有 +0.043%，直接 tier 延迟增加 +0.412%。这意味着绝对模型延迟仍不低，真正的工程技巧是把它隐藏在已有并行排序管线中，而不是声称 LLM 本身已经足够快。论文还报告 1B 模型语义对齐能力明显不足，70B 模型虽然精度更高却因内存和时延不能上关键路径，最终选择 8B 作为折中。

5. 局限与未来方向

作者明确指出的局限是主动输入稀疏。只有一部分用户会主动使用自然语言、语音或 UI 控件，沉默用户仍然主要依赖原有 baseline ranking。因此，SYF 的收益并不能直接外推到所有流量，系统还没有解决“没有反馈的人如何获得显式兴趣”的问题。作者给出的未来方向是在人生阶段或用户旅程发生变化时主动 elicitation，并用迁移学习把高信号用户的语义画像传播给低信号用户。

论文没有充分展开的工程限制也值得单独记录。第一，323ms 是对齐模型的主要推理成本，虽然额外关键路径只增加 0.043%，但并行调度、缓存命中和流量峰值下的尾延迟仍需独立压测。第二，评审模型 96% 的人工一致率并不等于无偏；对 UGC 内容中的讽刺、方言、敏感话题和创作者身份，judge 可能产生系统性偏差。第三，论文的线上实验限定为美国/加拿大、18 岁以上用户，且只开 Context-Aware Feedback Pills，跨语言、跨地区和跨入口的稳定性仍未知。第四，文中没有给出 α、τ、Candidate Cache 的容量与过期策略，真实业务必须处理兴趣冲突、内容删除和热点快速变化。

6. 工业实践意义

对社区 UGC 搜索/推荐，最值得复用的是“显式意图作为控制层，传统系统作为底座”的边界。可以在 query 理解或反馈入口把用户输入解析为正向主题、负向主题、强度和时间范围，写入可编辑的语义画像；对新增正向兴趣异步触发召回，生成候选缓存；在线只对缓存候选与原有候选做轻量 list-wise 对齐和重排。用户说“少看标题党”时，负向约束可以先经过规则/分类器硬过滤，再让模型处理语义边界；这样不会把安全与合规判断完全交给 LLM。

落地顺序应先做离线 replay 和小流量 A/B，而不是直接把通用大模型放到全量召回。第一阶段验证画像抽取的一致性、意图冲突率、缓存命中率和候选覆盖；第二阶段比较只收集反馈、反馈加重排、完整候选增强三种方案；第三阶段才考虑把高置信语义先验传播回基础召回和排序模型。线上指标除了 CTR/nDCG，还应监控 Post Dismiss、负反馈、长尾新帖覆盖、新兴趣消费、作者集中度和 P99。SYF 的消融已经说明，用户愿意点击控制按钮不代表推荐质量会自动提升。

对于 UGC 内容，语义画像需要有版本、来源和过期时间。每条兴趣记录应标明来自自然语言、语音、按钮还是行为推断，并允许用户删除；对敏感主题、身份属性和未成年人信号要设置单独的数据治理规则。Candidate Cache 不能把已删除、不可见或安全风险帖子继续送进 LLM 重排，所有候选仍需通过现有库存、权限、内容安全和去重层。

最后，SYF 的架构启示是把 LLM 预算花在“解释用户刚刚说了什么以及如何改变列表”上，而不是花在重复扫描全部内容。对高频搜索场景，可以用小模型完成 profile 更新和 list-wise 对齐，用更大的模型离线生成训练数据；对低信号用户，继续用传统召回和个性化排序兜底。只有当显式反馈真的带来 nDCG、CTR、满意度和负反馈的同步改善时，才扩大 Agent 覆盖范围。这样既能利用 LLM 的语义控制，又能保留成熟搜推系统的可观测性、回滚能力和成本边界。