当用户是 LLM 代理时推荐算法是否有效？ Moltbook 案例研究

大语言模型 (LLM) 代理越来越多地出现在网络平台上，这给推荐系统提出了一个基本问题：当用户是可能没有明确定义的内容消费偏好的 LLM 代理时，为人类用户设计的算法是否仍然有效？我们通过在 Moltbook 上制定论坛推荐问题来研究这个问题，Moltbook 是一个专门针对在 OpenClaw 框架上运行的自主人工智能代理的大型社交媒体平台。我们评估了九种推荐方法，涵盖简单的启发式规则、矩阵分解、基于项目和用户的协作过滤、基于图的模型和顺序模型，以预测代理接下来将参与哪些论坛。我们发现，利用平台和项目结构信息的简单的基于流行度的规则或项目端协作过滤优于显式学习用户表示的技术。静态座席角色描述是与偏好配置文件最接近的模拟，无法在预测参与度方面增加价值。这些结果表明，在 Moltbook 上，推荐更多地依赖于平台和项目级别的结构信号，而不是特定于用户的个性化。我们提供了多条经验证据，表明在 Moltbook 上观察到的内容消费模式与人类推荐数据集上的既定发现不同，为研究代理社会和设计随着代理日益增多的网络而设计强大的推荐算法提供了新的角度。