MAP: Multi-user Personalization with Collaborative LLM-powered Agents
作者: Christine Lee, Jihye Choi, Bilge Mutlu
分类: cs.HC, cs.AI, cs.RO
发布日期: 2025-03-17 (更新: 2025-03-18)
备注: In Extended Abstracts of the CHI Conference on Human Factors in Computing Systems (CHI EA '25), April 26-May 1, 2025, Yokohama, Japan
💡 一句话要点
提出MAP：一个基于协同LLM智能体的多用户个性化系统，解决偏好冲突问题。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多用户个性化 大型语言模型 多智能体系统 冲突解决 用户中心设计
📋 核心要点
- 现有方法难以有效处理多用户场景下，因用户偏好差异导致的指令冲突问题，影响了LLM智能体的应用。
- MAP系统通过多智能体协同，模拟反思、分析和反馈流程，实现用户偏好对齐，解决多用户个性化中的冲突。
- 用户研究表明，MAP系统在冲突解决方面有效且易用，强调了用户参与验证和故障管理的重要性。
📝 摘要（中文）
大型语言模型（LLM）和基于LLM的智能体在多用户环境中的广泛应用，凸显了对可靠、可用方法的需求，以适应不同的偏好并解决冲突的指令。借鉴冲突解决理论，我们引入了一种以用户为中心的多用户个性化工作流程，包括反思、分析和反馈三个阶段。然后，我们提出了MAP——一个用于多用户个性化的多智能体系统——来实施这个工作流程。通过将子任务委派给专门的智能体，MAP（1）检索和反思相关的用户信息，同时通过智能体之间的交互来提高可靠性，（2）提供详细的分析以提高透明度和可用性，以及（3）整合用户反馈以迭代地改进结果。我们的用户研究结果（n=12）强调了MAP在冲突解决方面的有效性和可用性，同时强调了用户参与解决验证和故障管理的重要性。这项工作突出了多智能体系统在实现以用户为中心的多用户个性化工作流程方面的潜力，并总结了多用户环境中的个性化见解。
🔬 方法详解
问题定义：论文旨在解决多用户场景下，大型语言模型（LLM）驱动的智能体如何有效处理和调和不同用户的个性化偏好和指令冲突的问题。现有方法在处理此类冲突时，缺乏透明度、可解释性和用户参与，导致用户满意度降低和系统可用性受限。
核心思路：论文的核心思路是借鉴冲突解决理论，构建一个以用户为中心的多智能体系统，通过模拟人类解决冲突的过程，实现用户偏好的对齐和冲突的有效解决。该系统强调用户参与和反馈，确保解决方案的透明度和可接受性。
技术框架：MAP系统的整体架构包含三个主要阶段：反思（Reflection）、分析（Analysis）和反馈（Feedback）。在反思阶段，智能体检索和分析相关的用户信息，识别潜在的偏好冲突。在分析阶段，智能体提供详细的冲突分析报告，解释冲突的原因和可能的解决方案。在反馈阶段，用户参与评估和选择解决方案，并提供反馈以改进系统性能。每个阶段都由多个专门的智能体协同完成，例如用户画像智能体、冲突检测智能体和解决方案推荐智能体。
关键创新：MAP系统的关键创新在于其多智能体协同架构和以用户为中心的设计理念。与传统的单智能体个性化方法相比，MAP系统能够更全面地考虑用户偏好，提供更透明和可解释的冲突解决方案，并允许用户参与到解决方案的制定过程中。此外，智能体之间的交互和反馈机制提高了系统的可靠性和适应性。
关键设计：论文中没有明确给出关键参数设置、损失函数或网络结构的具体细节。但是，可以推断，每个智能体的设计都依赖于特定的LLM能力，例如文本摘要、情感分析和对话生成。智能体之间的通信和协作机制可能采用了某种形式的消息传递或知识共享协议。用户反馈的整合可能采用了强化学习或贝叶斯优化等技术，以迭代地改进智能体的性能和冲突解决方案的质量。
🖼️ 关键图片
📊 实验亮点
用户研究（n=12）表明，MAP系统在冲突解决方面具有显著的有效性和可用性。用户反馈强调了用户参与解决验证和故障管理的重要性，表明该系统能够有效地调和不同用户的偏好，并提供可接受的解决方案。虽然论文没有提供具体的性能指标，但用户研究的结果表明MAP系统具有实际应用潜力。
🎯 应用场景
该研究成果可应用于各种多用户交互场景，例如智能家居、协同办公、在线教育和社交媒体平台。通过MAP系统，可以更好地满足不同用户的个性化需求，提高用户满意度和系统效率，并促进用户之间的和谐共处。未来，该技术有望扩展到更复杂的决策场景，例如群体决策和资源分配。
📄 摘要（原文）
The widespread adoption of Large Language Models (LLMs) and LLM-powered agents in multi-user settings underscores the need for reliable, usable methods to accommodate diverse preferences and resolve conflicting directives. Drawing on conflict resolution theory, we introduce a user-centered workflow for multi-user personalization comprising three stages: Reflection, Analysis, and Feedback. We then present MAP -- a \textbf{M}ulti-\textbf{A}gent system for multi-user \textbf{P}ersonalization -- to operationalize this workflow. By delegating subtasks to specialized agents, MAP (1) retrieves and reflects on relevant user information, while enhancing reliability through agent-to-agent interactions, (2) provides detailed analysis for improved transparency and usability, and (3) integrates user feedback to iteratively refine results. Our user study findings (n=12) highlight MAP's effectiveness and usability for conflict resolution while emphasizing the importance of user involvement in resolution verification and failure management. This work highlights the potential of multi-agent systems to implement user-centered, multi-user personalization workflows and concludes by offering insights for personalization in multi-user contexts.