在过去二三十年的时式互联网演进中，个性化推荐已确立为平台的代推导核心竞争力。无论是荐系视频 App 的信息流分发，还是统范推荐台中购物软件的购买预测，亦或是知或短视频平台的互动优化，现代互联网的被颠用户体验本质上是由推荐系统塑造的。

长期以来，性化心转向用这一领域的或将户主底层逻辑建立在一个默认前提之上：平台最了解用户。凭借海量行为数据与强大的从平算法算力，平台自然垄断了个性化推荐的时式主导权。从早期的代推导协同过滤、矩阵分解，荐系到深度学习模型，统范推荐台中再到如今的知或 LLM-based recommendation，技术迭代的被颠主线始终围绕“平台中心主义”展开。

然而，随着 Agentic（智能体）时代的到来，这一稳固的范式正面临颠覆性转折。来自 UIUC、UT Austin、CMU、NYU、UC Berkeley、Northeastern University 等多所高校研究团队的最新 Position Paper 提出核心观点：个性化推荐将从“平台中心范式”转向“用户主导个性化”（User-Governed Personalization）。

其核心逻辑在于：平台只能窥见用户生活的一隅，而用户才是唯一能跨越平台边界、整合线上线下完整上下文的主体。LLM Agent 的出现，让这种过去“理论上成立、实践中困难”的用户主导模式首次具备了可操作性。

论文信息
* 标题：LLM Agents Enable User-Governed Personalization Beyond Platform Boundaries
* 地址：https://arxiv.org/pdf/2605.09794
* 核心摘要：平台永远只能看到用户的一部分，而用户才是唯一能整合跨平台与线下信息的主体；LLM Agent 则让这种 “用户主导个性化” 第一次具备了可操作性。作者通过 Proof-of-Concept 实验提供了初步实证支撑。

范式转移：从平台中心到用户主导

回顾过去三十年，推荐系统的发展始终受限于“平台视角”。早期协同过滤捕捉群体行为规律，矩阵分解与深度学习（如 Wide & Deep、DLRM）增强平台对海量行为的学习能力，LLM 的引入则提升了语义理解能力。尽管方法不断演进，但核心限制未变：平台仅能基于自身观测数据进行个性化推断。

• 传统模式：Amazon、YouTube、X、Instagram 各自封闭，仅基于内部数据独立推荐。
• 新模式：用户汇聚多平台数据，交由 LLM Agent 进行统一理解与推荐。

关键差异在于：平台看到的是碎片化的行为数据，而用户拥有的是完整的生活上下文。

为何平台难以突破数据壁垒？

论文指出，平台无法构建完整用户画像并非算法能力不足，而是面临结构性数据壁垒：

1. 竞争壁垒：数据是核心护城河

用户数据是头部平台（Amazon、Google、Meta、Netflix 等）的核心资产。数据网络效应（更多用户→更多数据→更强模型→更多用户）不断强化其优势。商业逻辑上，这些平台缺乏主动共享高价值数据的动力，即便在监管压力下，也仅倾向于最低限度合规，而非真正开放核心数据资产。

2. 监管壁垒：法律限制数据合并

欧盟 DMA 对 Gatekeeper 级别平台合并跨服务个人数据提出严格限制；GDPR、CPRA 等隐私法规进一步强化了用户对个人数据的控制权。平台无法随意合并数据，法律红线构成了硬性约束。

3. 隐私壁垒：用户对数据集中化的天然抗拒

即使技术与法律允许，用户也不愿让单一平台掌握其完整的数字生活。例如，用户可能接受 Amazon 知晓其购物记录，但拒绝其同时掌握搜索历史、YouTube 观看记录、邮件内容及线下生活事件。从需求侧看，用户对数据过度集中存在本能排斥。

4. 认知壁垒：平台知“行”不知“心”

平台记录的是 What（行为），却难以洞察 Why（动机）。
* 搜索笔记本电脑：可能是自用工作，也可能是购买礼物。
* 购买跑鞋：可能是备战马拉松，也可能是旧鞋损坏。
* 观看育儿视频：可能是即将为人父母，也可能是协助亲友。

更重要的是，大量影响偏好的关键信息（搬家、换工作、结婚、生病、健身、经济状况变化等）存在于线下生活上下文中，没有任何单一平台能完整观测。因此，数据壁垒是结构性限制，而非单纯的技术问题。

用户：唯一的整合点

既然平台无法跨越边界，谁可以？答案是用户自己。

用户是唯一同时存在于所有平台与线下世界中的主体，拥有最完整的上下文认知。随着 GDPR 数据可携带权等法规落地，以及 Google Takeout、Amazon 数据导出等工具普及，用户已逐渐拥有聚合自身数据的法律权利与技术入口。

然而，过去这些数据虽归用户所有，却难以被利用。导出的 JSON、CSV、HTML 文件格式各异，普通用户难以阅读、整合并用于优化推荐。这正是 LLM Agent介入的关键契机。

LLM Agent：让“用户主导个性化”成为现实

LLM Agent 不仅是聊天机器人，更是用户侧的数据理解与决策代理。其核心能力包括：
1. 多格式解析：读取并理解 JSON、CSV、HTML 等异构个人数据。
2. 跨平台整合：结合自然语言指令，将跨平台数据与用户意图融合。
3. 偏好建模与推理：进行总结、推理、解释，并调用外部工具/API 执行搜索、筛选与推荐。

范式转变的核心逻辑：
* 平台逻辑：“我观察到你在我这里做了什么，推测你接下来想要什么。”
* 用户主导逻辑：“我将跨平台、跨场景的生活上下文交给受我控制的 Agent，由它在更完整的信息基础上替我做选择。”

真正的不对称不在于谁拥有更强的 LLM（双方均可使用前沿模型），而在于谁拥有更完整的用户上下文。只有用户能合法、自然、完整地聚合跨平台与线下信息，从而做出更精准的个性化判断。

实验验证：跨平台数据是否提升个性化？

作者团队进行了 Proof-of-Concept 实验，招募 15 名参与者，整合 Amazon、Google Takeout、Twitter/X 等多平台数据，使用基于 Claude Code（Sonnet 4.6/Opus 4.6/Opus 4.7）的 Agent 进行测试。

任务一：Amazon 未来购买预测

• 设置：给定过去一年行为数据，在候选商品集中排序（含未来3个月真实购买商品及40个负样本）。
• 对比：
• Amazon-only：仅使用 Amazon 内部数据。
• Amazon + Google cross-platform：加入 Google Search、Shopping、YouTube 观看/搜索历史（预留一周 Buffer 避免泄露）。
• 结果：加入跨平台数据后，指标显著提升：
• Hit@5：86.6 → 90.0
• NDCG@5：64.8 → 68.4
• Recall@5：60.1 → 63.9
• 结论：用户在 Google/YouTube 的行为对预测 Amazon 购买具有真实价值，跨平台数据壁垒阻碍了这种价值的利用。

任务二：YouTube 视频推荐

• 设置：生成 20 个推荐视频（10个强化推荐，10个探索推荐），用户盲测观看意愿。
• 对比：
• YouTube-only：仅使用 YouTube 历史。
• YouTube + full cross-platform：额外获得 Google Search、Amazon、Twitter/X 数据。
• 结果：
• 总体 Precision：53.3 → 61.6
• 强化推荐 Precision：61.5 → 64.6
• 探索推荐 Precision：45.3 → 58.3(+13%)
• 结论：跨平台数据不仅强化了已知兴趣，更大幅提升了探索式个性化能力，帮助 Agent 发现 YouTube 单独无法识别的兴趣维度。

平台推荐会被取代吗？

论文并未主张完全取代平台推荐，而是提出一种新的分工协作模式：

• 平台角色：提供内容库、商品库存、候选召回、基础排序及交互界面等基础设施。
• 用户 Agent 角色：基于更完整的个人上下文，在平台基础设施之上增加用户控制的最终决策层（重排、过滤、选择）。

互补而非替代：
1. 平台信号：群体协同信号（“买了 X 的人也买了 Y”）。
2. 用户信号：跨平台个人上下文（“我搜了马拉松、买了跑鞋、看了训练视频”）。

理想形态是平台协同信号 + LLM 世界知识 + 用户跨平台个人数据的三者结合。

常见反驳与回应

反驳一：大平台生态整合即可？

回应：Google、Apple 等虽有多服务，但仍无法覆盖 Amazon、Spotify、Netflix 等其他服务，更无法触及线下生活。且监管对跨服务数据合并限制日益严格。生态整合只能扩大单一公司视角，无法获得完整的用户生活视角。

反驳二：平台拥有海量群体数据，用户如何竞争？

回应：用户主导个性化并非抛弃协同过滤，而是补充平台缺失的跨平台个人上下文。LLM 在预训练中吸收的世界知识可弥补部分交互矩阵缺失。未来形态将是群体信号与个人数据的融合。

反驳三：用户愿意下载数据并配置 Agent 吗？

回应：当前数据导出流程繁琐，且云端处理存在新的数据集中风险。但这属于工程与产品成熟度问题，而非架构不可能。未来可通过顺滑的导出机制、本地优先 Agent、端侧推理、RAG 技术、TEE 机密计算及开源模型来解决。

开放问题与挑战

1. 评估协议缺失：个性化质量难以量化（相关但无聊 vs 新奇但无用）。跨平台数据敏感，无法公开为标准 Benchmark。需开发隐私保护评测框架。
2. 偏好理解深度：现有 LLM 训练目标偏向通用性，缺乏对“具体人长期偏好”的理解。需探索个性化感知训练（Personalization-aware Training）、新 Reward Model、长期记忆及偏好演化建模。
3. 群体智慧的隐私利用：如何在保护隐私前提下利用群体协同信号？方向包括用户端联邦学习（User-side Federation）、安全聚合、差分隐私等，实现匿名化偏好表示共享。
4. 本地优先的基础设施：依赖云端 API 会导致新的数据集中风险。需构建面向个人数据处理的本地化模型与基础设施，这将是个人 AI 操作系统的核心能力。

小结与反思

这篇论文的价值不仅在于算法对比，更在于重构了个性化推荐的权力结构：

• 过去：平台中心主义——平台收集、建模、决定。
• 未来：用户主导个性化——用户聚合、授权、主导。

随着 LLM Agent 具备文件读取、工具调用及网页操作能力，用户首次有机会收回分散在各平台的数字痕迹。个性化不再仅是平台优化参与度的工具，而可能成为用户管理数字生活的基础设施。

尽管数据导出体验、隐私保护、本地模型能力及评估体系仍需完善，但论文提出了一个关键命题：如果只有用户才拥有完整的自己，为何个性化推荐的控制权长期掌握在平台手中？LLM Agent 的出现，正是重新回答这一问题的起点。平台继续提供内容与基础服务，而真正理解用户完整生活的主体，终将回归用户自身。