来源arXiv:2602.22680 · 2026年2月论文Toward Personalized LLM-Powered Agents: Foundations, Evaluation, and Future Directions核心标签Personalized Agent · User Modeling · Long-term Memory · Survey 为什么你现在应该读这篇2026 年做 AI 产品的都面临一个尴尬你的 Agent 对所有用户说一样的话、做一样的事。用户 A 是资深工程师用户 B 是产品新人但 Agent 给两者的回答深度和风格完全相同。这就是千人一面问题。个性化听起来简单——加个用户画像不就行了但真正做过的人知道个性化是一个贯穿整个决策流程的系统工程不是在 prompt 末尾加一句用户偏好简洁风格就能解决的。这篇综述做了学术界急需的事把个性化的设计空间形式化为四维能力分类法——profile modeling用户画像、memory记忆管理、planning自适应规划、action execution行动执行。四个维度相互依赖缺一不可。三件做个性化 Agent 的人不能不知道的事① 个性化不是表面生成层的事是整个决策链路的事传统做法是生成时根据用户偏好调整语气和深度。论文的洞察是个性化应该渗透到任务分解planning、记忆检索memory、工具调用action execution的每一步。用户偏好不只影响怎么说更影响做什么和怎么做。② 记忆是个性化的基础设施但当前记忆系统严重不足个性化需要 Agent “记住你”——跨会话、跨天的长期记忆。但现有 Agent 记忆系统要么是简单的 KV 存储要么是粗暴的 RAG 检索无法捕捉用户偏好的演变轨迹。论文将 memory 列为四维之一正是因为没有记忆就没有真正的个性化。③ 评估个性化 Agent 比评估通用 Agent 难一个数量级通用 Agent 的评估看任务完成率个性化 Agent 的评估还要看用户满意度、“适应性”、“长期一致性”。论文专门提出了为个性化 Agent 量身定制的评估指标和基准这是当前最缺的。如果你正在做(1) 个人助理类 Agent 产品(2) Agent 记忆系统(3) 用户画像驱动的自适应系统下面的细节可以直接搬。论文元信息来源arXiv:2602.22680 · 2026年2月26日作者Yue Xu, Qian Chen, Zizhan Ma, Dongrui Liu, Wenxuan Wang, Xiting Wang, Li Xiong, Wenjie Wang核心贡献四维个性化能力分类法 系统性评估框架 从原型到可部署的研究路线图关键词Personalized Agents, User Modeling, Long-term Memory, Survey核心场景你的 Agent 记不住用户是谁想象一下用户第一天跟你的 Agent 聊了 2 小时项目架构第二天回来问昨天说的那个微服务拆分方案数据库层面怎么处理。Agent 一脸茫然——因为它没有跨会话记忆。这不是个别问题。当前 90% 的 Agent 产品都是无状态的——每次对话从零开始。有记忆的那些大部分是粗暴地把历史对话塞进 context windowcontext 满了就截断用户三天前说的偏好早就丢了。论文的四维分类法把这个问题拆解了四维个性化能力分类法维度核心功能当前痛点个性化要求Profile Modeling用户特征与偏好建模大部分系统只存静态标签“工程师”、“偏好简洁”需要动态画像——偏好会随交互演变Memory长期交互历史与上下文管理RAG 有损压缩丢失关键信息无跨会话连续性需要记忆的写入-检索-遗忘全生命周期管理Planning个性化任务分解与决策所有用户走相同的任务分解路径需要基于用户画像和历史动态调整规划策略Action Execution个性化工具调用与环境交互工具选择不考虑用户技能水平资深用户直接给结果新手用户给步骤解释关键设计特征跨组件交互论文强调四个维度不是独立的而是相互依赖的Profile Modeling ──提供用户偏好──→ Memory决定记什么 │ │ ↓ ↓ Planning决定做什么←──检索历史── Memory │ │ ↓ ↓ Action Execution决定怎么做──反馈更新──→ Profile Memory这意味着你不能先做完 profile 再做 memory它们必须协同设计。Profile 告诉 Memory 该记什么Memory 反过来丰富 Profile 的画像。Planning 基于 ProfileMemory 做决策Action 的结果又更新两者。技术细节从原型到可部署的路线图论文提出了个性化 Agent 从研究到产品的演进路径阶段一信号获取与表示个性化起点是用户信号——显式偏好用户主动说我喜欢简洁和隐式行为用户总是跳过长解释。论文关注的是如何表示、传播和利用这些信号。信号类型获取方式表示方法挑战显式偏好用户直接告知结构化标签/自然语言偏好会变用户说不清自己要什么隐式行为从交互中推断行为序列/嵌入向量噪声大因果归因困难上下文信号环境/时间/任务上下文向量跨场景泛化差阶段二记忆架构论文将 memory 列为独立维度因为个性化记忆有自己的特殊需求写入策略不是所有交互都值得记——需要写入路径过滤检索策略不只看相似度——需要基于用户当前意图检索遗忘策略过时偏好要淘汰——但何时遗忘是开放问题一致性用户偏好矛盾时怎么处理昨天说喜欢详细今天说喜欢简洁阶段三自适应规划个性化规划的核心是同一个任务对不同用户走不同的分解路径。资深用户“部署服务” → 直接执行新手用户“部署服务” → 分解为配置环境→打包→上传→验证这需要 Planning 组件能读取 Profile 和 Memory动态生成任务分解。阶段四评估框架论文专门提出了个性化 Agent 的评估维度评估维度通用 Agent个性化 Agent任务完成率✅ 核心指标✅ 但不够用户满意度❌ 不测✅ 核心指标适应性❌ 不测✅ 用户变化时能否跟上长期一致性❌ 不测✅ 跨会话行为是否一致隐私安全⚠️ 通用✅ 用户数据治理是核心So What三类人的行动清单 工程师把个性化从生成层提到决策层—— 不要只在 prompt 末尾加用户偏好简洁要让 profile 影响 task decomposition、memory retrieval、tool selection实现用户信号的隐式获取—— 从用户行为跳过、重读、追问推断偏好不依赖用户主动告知明天就能做给你的 Agent 加一个 user_profile.json记录用户的关键偏好技能水平、偏好深度、常用工具每次对话开头注入到 planning 组件 技术管理者个性化是 Agent 产品的差异化壁垒—— 通用 Agent 能力趋同都调 GPT/Claude但个性化体验决定了用户留存评估个性化需要新指标—— 任务完成率不够需要加用户满意度、适应性、长期一致性明天就能做让产品经理定义 3-5 个用户画像维度评估当前 Agent 在每个维度上的个性化程度 创业者/PM个性化 Agent 的市场窗口正在打开—— 2026 年学术界开始系统化研究说明产业界需求已经爆发记忆是个性化的基础设施—— 没有跨会话记忆的 Agent 不可能真正个性化优先投入记忆系统明天就能做在产品路线图里加一个个性化成熟度评估——当前是无个性化→标签个性化→行为个性化→全链路个性化哪个阶段⚠️ 方法论局限偏理论框架综述性质四维分类法是组织框架而非具体算法落地需要大量工程实现评估框架待验证提出的评估指标和基准尚在概念阶段缺乏大规模实验验证隐私治理讨论不足个性化需要大量用户数据但论文对隐私保护机制着墨较少跨组件交互的工程实现四维相互依赖意味着系统复杂度高但没有给出具体的架构参考延伸阅读 论文https://arxiv.org/abs/2602.22680 互补阅读论文③ AMA-Bench —— 本文定义个性化需要什么记忆AMA-Bench 评估现有记忆系统行不行 互补阅读论文④ Memory for Autonomous LLM Agents —— 本文的 memory 维度的深度展开 实践参考OpenClaw 体系的 SOUL.md MEMORY.md 就是 profile modeling memory 的工程实现⏱️如果只有 5 分钟看四维分类法 跨组件交互图就够了。核心 takeaway 是个性化不是表面生成层的事是整个决策链路的事。