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: 2026-02-28
💡 一句话要点
综述个性化LLM驱动Agent：聚焦长期交互中的用户适应与连续性
🎯 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 长期交互 智能助手
📋 核心要点
- 现有Agent在长期交互中难以适应个体用户，无法保持行为的连续性，个性化不足。
- 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。
- 分析了用户信号的表示、传播和利用方式，总结了评估指标、应用场景和未来研究方向。
📝 摘要（中文）
大型语言模型赋能了具备推理、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，其有效性越来越依赖于行为对个体用户的适应以及跨时间的连续性，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回顾。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。我们进一步研究了为个性化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，并概述了未来研究和部署的方向。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在长期交互中，难以根据个体用户的偏好和历史行为进行个性化调整，导致用户体验不佳。现有的方法通常只关注表面的生成层面，而忽略了在整个决策流程中进行个性化建模和适应。此外，如何有效地利用用户信号，并在Agent的各个组件之间进行传播和利用，也是一个挑战。
核心思路：本综述的核心思路是将个性化LLM驱动的Agent分解为四个关键组件：profile建模、记忆、规划和行动执行。通过分析每个组件中的现有方法，以及它们之间的交互，来理解如何实现个性化。这种分解方式有助于识别关键的设计权衡和未来的研究方向。
技术框架：该综述没有提出新的技术框架，而是对现有文献进行整理和分析。其框架的核心是围绕四个组件展开： 1. Profile建模：如何表示用户的偏好、需求和历史行为。 2. 记忆：如何存储和检索与用户相关的长期记忆。 3. 规划：如何根据用户的profile和记忆，制定个性化的行动计划。 4. 行动执行：如何执行计划，并与用户进行交互。 综述分析了这些组件之间的信息流动和相互作用。
关键创新：本综述的创新之处在于提供了一个结构化的框架，用于理解和设计个性化的LLM驱动Agent。它将个性化问题分解为四个相互关联的组件，并分析了现有方法在这些组件中的应用和局限性。此外，该综述还强调了跨组件的交互和设计权衡，为未来的研究提供了指导。
关键设计：由于是综述文章，没有具体的参数设置、损失函数或网络结构等技术细节。但是，综述中讨论了各种profile建模方法（例如，基于规则、基于机器学习、基于LLM），不同的记忆机制（例如，外部知识库、向量数据库），以及不同的规划策略（例如，层次化规划、基于目标的规划）。这些方法在具体实现时，会有各自的关键设计。
🖼️ 关键图片
📊 实验亮点
该综述系统地整理了个性化LLM驱动Agent领域的研究进展，并从profile建模、记忆、规划和行动执行四个方面进行了深入分析。它总结了现有方法的优缺点，并指出了未来的研究方向，为研究人员和开发者提供了一个有价值的参考。
🎯 应用场景
个性化LLM驱动的Agent具有广泛的应用前景，例如：个性化推荐系统、智能助手、教育辅导、医疗健康等。通过理解用户的偏好和需求，Agent可以提供更贴合用户需求的建议和服务，提高用户满意度和效率。未来，随着技术的不断发展，个性化Agent将在各个领域发挥更大的作用。
📄 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.