沙丘社区
论文

RecSys Factory：在工业推荐系统生命周期中将LLM智能体自主性约束至决策点

RecSys Factory: Bounding LLM Agent Autonomy to Decision Points in the Industrial Recommender Lifecycle

Dongyang Ao; Kaixiang Fang; Shijie Xu
智能体系统Agent HarnessAgent Skills

摘要

将LLM智能体部署到工业推荐系统运维中，暴露出一个我们称为自主性-确定性-效率三难困境的三方张力：通用自主性（解读运营者意图、零样本生成胶水代码）、工业确定性（符合模式约束的特征抽取、不崩溃的A/B测试、零合规路径幻觉）与端到端效率。三者中任意两个都能以牺牲第三个为代价被最大化。我们提出RecSys Factory，一个在腾讯三条异构推荐业务线上部署78天的LLM智能体平台。设计原则是“在决策点上自主，而非在整个管线上自主”，通过三项解构加以具体化，每项解构卸下三难困境的一个顶点。运行时被解构为三个由宿主发出的事件源（Claude Code Stop钩子、企业IM webhook、工作流调度器API）：平台在等待阶段不携带任何常驻守护进程，在94%的等待Spark或GPU作业的墙钟时间里消耗零CPU。能力被解构为一个29文件的技能生态（8,971行SKILL.md），其每技能陷阱表被机械地编译为400条目的PitfallStore，把自主性约束在预先承诺管线内部的有界类型化决策面上。部署横跨三条标签语义、A/B层拓扑与运营者画像互不相同的业务线；三条线中有两条观察到接入时间压缩，该结果作为案例研究观察报告，而非泛化主张，也未对照平台启用前的受控基线进行测量。人通过人在回路的卡片协议被保留在诊断与执行的边界上，该协议作为审计原语（模式校验、幂等、可回放）部署，并来自一个8天16次运行的试点。在78天窗口内，平台记录了1,624次CLI工具调度，总成功率为78.6%。

RecSys Factory：在工业推荐系统生命周期中将LLM智能体自主性约束至决策点：论文配图
图1.1：工业级 LLM 智能体的自主性–确定性–效率三难困境。每个顶点标示一个设计目标；每条边标示固定该边时的失效模式（等价地，即舍弃对面顶点）。三个顶点在单一强制性资源下相互竞争——即每条业务线的工程投入与人工监督预算（在腾讯规模下每条新业务线约\approx3–6 人月，外加每月 40–80 小时评审时间）——这正是它们两两冲突、而非三个独立旋钮的原因。RecSys Factory 选择了一个内部折中点而非最大化任一顶点，并为平台构建度量以使该折中清晰可见；内部折中原则将三难困境化简为 §3–§6 中所述的三项具体工程承诺。