SimPersona：从原始点击流学习离散买家画像以支撑电商智能体

基于LLM的网页智能体可以在真实店铺中导航，但它们常常坍缩为单一的“平均买家”策略，无法捕捉真实买家群体的异质性与分布特性。现有个性化方法依赖手工制作的基于提示的画像，脆弱、难以扩展、上下文低效，且无法忠实表示群体层面的行为。我们提出SimPersona，一个从历史流量学习离散买家类型、并将其以紧凑画像token形式提供给基于LLM的网页智能体的新框架。给定原始点击流，行为感知的VQ-VAE诱导出一个离散买家类型空间，捕捉真实买家行为的统计结构以及商家特定的买家群体分布。为了向基于LLM的网页智能体提供行为特定的引导，SimPersona将每个学到的买家类型映射到LLM智能体词表中的一个专用画像token，并在真实浏览轨迹上用这些token微调智能体。推理时，每个合成买家通过单次编码器前向传播即被分配到某个学到的买家类型，无需重新训练或店铺特定的提示工程。对于群体级仿真，SimPersona从每个商家在学到的VQ-VAE码本上的经验分布中采样买家类型，并用相应画像token实例化智能体，从而保持商家特定的买家群体分布。在42个留出的真实店铺共837万买家上评估，SimPersona与真实买家达到78%的转化率对齐，在买家类型间呈现可解释的行为差异，并在目标导向购物任务上超越参数量8倍的基线。我们还发布一个开源数据管线，将原始电商事件日志转换为买家表示与智能体训练轨迹。