SIMGUIDE：面向个性化智能体规划的过程锚定多情境表示

个性化AI智能体绝大多数把用户当作单一实体：将一个扁平画像拼接进提示。当同一个人在不同生活情境中持有不同优先级时，这就会失败——当这些优先级相互冲突时则彻底失效。核心问题不在于智能体缺乏关于用户的信息，而在于用户表示的格式决定了智能体究竟能否对这些信息采取行动。我们提出SIMGUIDE，一种将用户上下文结构化为称为Sims的类型化、领域特定块的方法，并用取自过去决策的过程性示例来锚定每条约束。为评估该方法，我们构建了SIMBENCH，一个包含47个偏好条件化规划任务的诊断套件，其中正确计划取决于哪个用户情境处于激活状态——这一特性是现有基准未曾测试的。仅用声明式Sim约束并不能超越基于检索的个性化（RAG）。经过程性锚定的Sims在GPT-4o上超越RAG（偏好依从分提高7.9分，p=0.013），且该优势在100个τ-bench任务上于GPT-4o和Claude Sonnet 4.5上均得到复现（p≤0.023）。在参数化层面，同样的原则成立：训练分布主导参数化适配能否成功。任务匹配的LoRA微调相比未适配的基座模型将生成质量提高12.8个ROUGE-L分，而按Sim类型而非用户身份路由适配器再增加7.3分，且对28%的路由错误保持稳健。表示格式——而非表示内容——才是第一顺位的设计变量。