SAGER：推荐代理的自我进化用户策略技能

基于 大语言模型 (LLM) 的推荐代理通过不断发展的每个用户语义记忆来个性化他们所知道的内容，但他们的推理方式仍然是所有用户共享的通用静态系统提示。这种不对称性是一个根本瓶颈：当推荐失败时，代理会更新其对用户偏好的记忆，但从不询问导致失败的决策逻辑，无论积累了多少错误，其推理过程在结构上都保持不变。为了解决这个瓶颈，我们提出了 SAGER（个性化推荐的自我进化代理），这是第一个推荐代理框架，其中每个用户都配备了专用的策略技能，这是一种编码个性化决策原则的结构化自然语言文档，通过交互不断进化。 SAGER 引入了两种表示技能架构，将丰富的进化基础与最小推理时间注入分离；增量对比思维链引擎，通过将已接受的项目与未选择的项目进行对比来诊断推理缺陷，同时保留累积的先验；以及技能增强的列表推理，创建细粒度的决策边界，其中进化的技能提供真正的判别价值。对四个公共基准的实验表明，SAGER 实现了最先进的性能，其增益与记忆积累正交，证实个性化推理过程本身是推荐改进的定性独特来源。