Toward Personalized LLM-Powered Agents: Foundations, Evaluation, and Future Directions
作者: Yue Xu, Qian Chen, Zizhan Ma, Dongrui Liu, Wenxuan Wang, Xiting Wang, Li Xiong, Wenjie Wang
分类: cs.AI
发布日期: 2026-02-26
💡 一句话要点
综述：面向个性化LLM驱动Agent，探讨其基础、评估及未来方向
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 个性化Agent 大型语言模型 用户建模 记忆机制 规划算法
📋 核心要点
- 现有LLM驱动的Agent在长期交互中难以适应个体用户，缺乏个性化和连续性。
- 论文对个性化LLM驱动Agent进行综述，围绕profile建模、记忆、规划和行动执行四个组件组织文献。
- 论文分析了用户信号的表示、传播和利用，并探讨了评估指标、应用场景和未来方向。
📝 摘要（中文）
大型语言模型（LLM）赋能了具备推理、规划以及与工具和环境交互能力的Agent，以完成复杂的任务。随着这些Agent在更长的交互周期中运行，它们的有效性越来越依赖于根据个体用户调整行为，并在时间上保持连续性，从而产生了个性化的LLM驱动Agent。在这种长期的、用户相关的设置中，个性化渗透到整个决策流程中，而不仅仅局限于表面的生成。本综述提供了一个面向能力的个性化LLM驱动Agent的评述。我们将文献围绕四个相互依赖的组件进行组织：profile建模、记忆、规划和行动执行。利用这种分类方法，我们综合了代表性的方法，并分析了用户信号是如何表示、传播和利用的，突出了跨组件的交互和反复出现的设计权衡。我们进一步考察了为个性化Agent量身定制的评估指标和基准，总结了从通用辅助到专业领域的应用场景，并概述了未来的研究和部署方向。通过提供一个结构化的框架来理解和设计个性化的LLM驱动Agent，本综述绘制了一个通往更符合用户需求、自适应、鲁棒和可部署的Agent系统的路线图，加速了从原型个性化到可扩展的现实世界助手的进展。
🔬 方法详解
问题定义：现有的大型语言模型驱动的Agent在长期与用户交互的过程中，难以根据用户的个性化需求进行调整和优化，缺乏对用户偏好和历史行为的记忆和利用，导致Agent的性能和用户体验受到限制。现有的方法往往只关注表面的生成层面，而忽略了在整个决策流程中融入个性化信息的重要性。
核心思路：本文的核心思路是将个性化融入到LLM驱动Agent的整个决策流程中，而不仅仅是停留在表面的生成层面。通过对Agent的profile建模、记忆、规划和行动执行四个关键组件进行深入分析，探讨如何有效地表示、传播和利用用户信号，从而实现Agent的个性化。
技术框架：本文将个性化LLM驱动Agent的架构分解为四个相互依赖的组件： 1. Profile建模：构建用户画像，捕捉用户的偏好、习惯和需求。 2. 记忆：维护用户的历史交互记录，以便Agent能够记住用户的上下文信息。 3. 规划：根据用户画像和历史记忆，制定个性化的行动计划。 4. 行动执行：执行行动计划，并根据用户的反馈进行调整。
关键创新：本文最重要的创新在于提出了一个结构化的框架，用于理解和设计个性化的LLM驱动Agent。该框架将Agent的个性化分解为四个关键组件，并分析了这些组件之间的相互作用和设计权衡。此外，本文还对现有的评估指标和基准进行了考察，并提出了针对个性化Agent的评估方法。
关键设计：论文中讨论了profile建模中用户信号的表示方法，例如使用embedding或知识图谱来表示用户的偏好。在记忆方面，探讨了如何选择合适的记忆机制，例如使用外部知识库或向量数据库来存储用户的历史交互记录。在规划方面，研究了如何利用用户画像和历史记忆来指导Agent的行动计划，例如使用强化学习或规划算法来优化Agent的决策。在行动执行方面，讨论了如何根据用户的反馈来调整Agent的行为，例如使用在线学习或微调技术来更新Agent的模型。
🖼️ 关键图片
📊 实验亮点
该综述系统性地总结了个性化LLM驱动Agent的研究进展，并提出了一个结构化的框架，为该领域的研究人员提供了一个清晰的路线图。论文还探讨了现有的评估指标和基准，并提出了针对个性化Agent的评估方法，为未来的研究提供了指导。
🎯 应用场景
该研究成果可应用于各种需要个性化服务的场景，例如智能助手、个性化推荐系统、智能客服等。通过构建更符合用户需求、自适应、鲁棒和可部署的Agent系统，可以显著提升用户体验和工作效率，加速从原型个性化到可扩展的现实世界助手的进展，具有广阔的应用前景。
📄 摘要（原文）
Large language models have enabled agents that reason, plan, and interact with tools and environments to accomplish complex tasks. As these agents operate over extended interaction horizons, their effectiveness increasingly depends on adapting behavior to individual users and maintaining continuity across time, giving rise to personalized LLM-powered agents. In such long-term, user-dependent settings, personalization permeates the entire decision pipeline rather than remaining confined to surface-level generation. This survey provides a capability-oriented review of personalized LLM-powered agents. We organize the literature around four interdependent components: profile modeling, memory, planning, and action execution. Using this taxonomy, we synthesize representative methods and analyze how user signals are represented, propagated, and utilized, highlighting cross-component interactions and recurring design trade-offs. We further examine evaluation metrics and benchmarks tailored to personalized agents, summarize application scenarios spanning general assistance to specialized domains, and outline future directions for research and deployment. By offering a structured framework for understanding and designing personalized LLM-powered agents, this survey charts a roadmap toward more user-aligned, adaptive, robust, and deployable agentic systems, accelerating progress from prototype personalization to scalable real-world assistants.