AgentWebRec：通过Agent Web 进行紧凑证据融合以提供个性化推荐

基于LLM的个人Agent正在成为用户语义的持久载体以及用户和推荐平台之间的中介，在本地维护更丰富的用户知识。随着智能体之间的交互，传统的 User--Platform 关系演变为 User--Agent Web--Platform 信息路径，使分布式的用户侧信息能够补充项目侧信息。然而，这种新途径违背了传统的推荐：证据分散在相互不透明的Agent中，只能通过有界查询才能到达，只有一小部分与当前的推荐决策相关，并且不同Agent返回的响应在语义上是异构的。因此，我们通过决定询问什么和保留什么，而不是从聚合数据中学习，将Agent网络上的推荐重新定义为有限证据预算下的 task-time evidence acquisition and fusion 问题。我们提出了 AgentWebRec，一个面向用户Agent的框架，它逐步获取和融合每个用户项目决策的分布式证据，同时保持底层Agent内存本地化。它将每个决策建立在平台提供的项目语义和来自目标用户Agent私有内存的任务相关证据的基础上，并在本地证据不足时有条件地查询相邻用户Agent以获取互补的偏好模式。对四个 InstructRec 数据集的实验表明，AgentWebRec 始终优于基线推荐器，并且消融验证了证据层贡献了互补收益。