SPARK：经由 Agent 驱动检索与知识共享实现搜索个性化

个性化搜索要求对用户不断演变的多维信息需求建模，这对受静态画像或单体检索管线约束的系统而言是一大挑战。我们提出 SPARK（Search Personalization via Agent-Driven Retrieval and Knowledge-sharing），一个由协作式基于人格的大型语言模型（LLM）Agent 提供任务特定检索和涌现式个性化的框架。SPARK 形式化定义了由角色、专长、任务情境和领域构成的人格空间，并引入 Persona Coordinator，动态解释传入查询以激活最相关的专门 Agent。每个 Agent 执行独立的检索增强生成过程，由专用的长期与短期记忆存储以及上下文感知推理模块支持。Agent 间协作通过结构化通信协议实现，包括共享记忆库、迭代辩论和中继式知识传递。借鉴认知架构、多 Agent 协调理论和信息检索的原理，SPARK 建模了涌现式个性化属性如何由最小协调规则支配的分布式 Agent 行为产生。该框架给出关于协调效率、个性化质量和认知负荷分布的可检验预测，同时纳入用于持续人格精化的自适应学习机制。通过将细粒度 Agent 专业化与合作式检索相结合，SPARK 为下一代搜索系统提供了洞见，使其能够捕捉人类信息搜寻行为的复杂性、流动性和情境敏感性。