arXiv Artificial Intelligence· Emilly Pitman de Castro, Vanessa Silva, Gustavo Kanno, Marcus Santos, Bruno Ferraz do Amaral, Marcelo Nogueira, Lucas Francisco Pellicer, Lucas Lanaro, Pedro Augusto Luiz, Jo\~ao Renato Ribeiro Manesco, Giovanni Carbinatti, Isabela de Lima Santos, Lucas Oliveira Jeronymo, Jeison Fappi, Raul Rotilli Aguirre, Fabio Andr\'e Frantz, Renata De Paris, Fabiana Marucci, Lohan Silva, Vinicius Diniz Reolon, Wandemberg Gibaut·· 13 小时前AI 评分29
基于 LLM 编排的记忆感知多智能体对话推荐架构
Memory-Aware Multi-Agent Architecture with LLM-based Orchestration for Conversational Recommendation
AI 导读
研究者提出一种记忆感知的多智能体对话推荐架构，让 LLM 充当编排层，协调意图细化、查询构建与交互流程，并将长期记忆作为一等组件影响路由决策和语义查询生成。在 Amazon Reviews 数据集上的跨会话记忆实验显示，启用记忆的交互可挽回至多 63% 与显式查询场景的差距，并防止长对话中的语义退化；监督式编排使用户接受度提升 28.9 个百分点。
推荐理由模型分析
该工作把长期记忆作为会话推荐系统的一等组件，用LLM协调意图细化、查询构造与交互路由，针对的是跨会话意图漂移和长对话语义退化。在Amazon Reviews上，记忆机制可补回至显式查询场景63%的差距，监督式编排使接受度提升28.9个百分点；但LLM重排未提升Hit@K，仅改善语义一致性与多样性，作者因此提出SCS补充指标。做对话推荐或多智能体编排的开发者可据此比较记忆与路由设计的基线，并注意候选曝光瓶颈和离线数据集评估的边界。
来源：arXiv Artificial Intelligence · arxiv.org