PersonaTrail：经浏览轨迹基准测试个性化网络智能体

大语言模型的近期进展使网络智能体能自主执行复杂任务。实践中，用户常给出欠指定指令，要求智能体从其原始浏览历史推断缺失上下文。现有基准未能捕捉这种个性化：要么把任务限制在全显式提示，要么把网络交互历史抽象为简化形式。为弥合该差距，我们提出PersonaTrail——一个在受管理的开放网络环境中运作的个性化网络智能体基准：以真实浏览轨迹为用户历史，评估智能体推断用户偏好、并从过往浏览会话召回信息的能力。我们进一步提出偏好感知上下文记忆（PACMem）：把原始浏览历史分解为两类结构化记忆——总结单个会话的事实记忆与提炼反复行为模式的偏好记忆；推理时智能体从这些记忆中检索最相关条目以引导个性化导航。大量实验显示，PACMem在两个任务上都持续优于现有基于记忆的基线。