在过去二三十年的互联网发展中，个性化推荐几乎一直是平台的核心能力之一。打开视频 app，平台决定你接下来会刷到什么视频；打开购物软件，平台预测你可能会购买什么商品；打开短视频 app，平台根据你的浏览、点赞、停留和互动，不断优化信息流。某种意义上，现代互联网的用户体验本身就是由推荐系统塑造的。
长期以来，个性化推荐的核心逻辑都建立在一个默认前提上：平台最了解用户。因为平台拥有大量用户行为数据，也拥有强大的推荐算法，所以个性化推荐自然应该由平台来完成。协同过滤、矩阵分解、深度学习推荐模型，再到今天的 LLM-based recommendation，推荐系统的发展主线几乎都是围绕平台展开的。
然而，这一看似牢固的范式，或许正在 Agentic 时代迎来新的转折。来自 UIUC、UT Austin、CMU、NYU、UC Berkeley、Northeastern University 等多校研究团队的最新 position paper 提出了一个核心观点：在 Agentic 时代，个性化推荐不会继续局限于平台中心范式，而将转向用户主导个性化（User-Governed Personalization）。
原因很直接：平台再强，也只能看到用户生活的一部分；而用户自己，才是唯一能够跨越平台边界、整合线上线下完整上下文的主体。LLM Agent 的出现，则让这种过去 “理论上成立、实践中困难” 的用户主导个性化第一次变得可操作。
论文标题：LLM Agents Enable User-Governed Personalization Beyond Platform Boundaries
论文地址：https://arxiv.org/pdf/2605.09794
一句话概括：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。作者进一步通过 proof-of-concept 实验提供了初步实验支撑。
从平台中心到用户主导：个性化范式正在发生变化
过去三十年，推荐系统的发展基本都围绕平台展开。早期的协同过滤通过 “买了 A 的人也买了 B” 来捕捉群体行为规律；之后，矩阵分解、深度学习推荐模型、Wide & Deep、DLRM 等方法不断增强平台从海量用户行为中学习偏好的能力；最近，LLM 被引入推荐系统，让平台能够以更自然、更语义化的方式理解用户历史和兴趣。虽然方法不断演进，但一个核心限制始终没有改变：平台只能基于自己观察到的数据做个性化。
例如，在传统以平台为中心的个性化推荐中，Amazon、YouTube、X、Instagram 各自只能看到自己的数据，并独立做推荐；而在用户主导个性化中，用户可以把来自多个平台的数据汇聚起来，再交给 LLM Agent 进行统一理解和推荐。这背后的关键是：平台看到的是行为片段，而用户拥有的是完整生活上下文。
为什么平台很难突破这种数据壁垒？
论文首先系统分析了平台个性化无法获得完整用户画像的原因。作者指出，这并不是因为今天的推荐算法不够强，而是因为平台面临一种结构性的 data barrier。
第一，竞争壁垒：用户数据是平台的护城河
对大型平台而言，用户数据本身就是最核心的竞争资产。更多用户产生更多数据，更多数据训练出更强模型，更强模型又吸引更多用户，这种数据网络效应会不断强化头部平台优势。因此，让 Amazon、Google、Meta、Netflix、Spotify 等公司主动共享高价值用户数据，在商业逻辑上几乎是不现实的。即使存在监管或互操作要求，平台也往往有动机做最低限度合规，而不是开放真正有价值的数据资产。
第二，监管壁垒：法律正在限制平台随意合并数据
平台并不是想合并什么数据就能合并什么数据。例如欧盟 DMA 对 gatekeeper 级别平台合并跨服务个人数据提出了明确限制；GDPR、CPRA 等隐私法规也都在强化用户对个人数据的控制权。
第三，隐私壁垒：用户不愿意把所有数据交给某个平台
即使技术和法律允许，用户也未必愿意让某个平台掌握自己完整的数字生活。一个用户可能愿意让 Amazon 知道自己的购物记录，但不一定愿意让 Amazon 同时知道自己的搜索历史、YouTube 观看记录、社交媒体点赞、邮件内容和线下生活事件。因此，从用户需求侧看，用户对数据集中化本身就有天然抗拒。
第四，认知壁垒：平台永远不知道用户为什么这么做
平台看到的是 “行为”，但看不到 “动机”。同样一次搜索 laptop，可能是给自己买工作电脑，也可能是给朋友挑生日礼物；同样一次购买跑鞋，可能意味着用户开始准备马拉松，也可能只是旧鞋坏了；同样观看大量育儿视频，背后可能是自己即将成为父母，也可能是帮亲友做准备。平台可以记录 what，却很难知道 why。更重要的是，大量真正影响偏好的信息根本不在任何平台日志里：搬家、换工作、结婚、生病、开始健身、经济状况变化、人生目标变化…… 这些线下生活上下文往往会同时影响用户在多个领域的偏好，但没有任何单一平台能完整观察到。因此，论文强调：平台的数据壁垒不是更大模型、更强算法就能解决的技术问题，而是一个结构性限制。
用户为什么才是唯一的整合点？
既然平台无法跨越数据边界，那么谁可以？论文给出的答案非常直接：用户自己。用户是唯一同时存在于所有平台和线下世界中的主体。用户知道自己在 Amazon 买了什么，也知道自己为什么买；知道自己在 Google 搜索了什么，也知道这些搜索和现实生活有什么关系；知道自己在 YouTube 看了什么，也知道哪些兴趣只是短期消遣，哪些是真正长期目标。更重要的是，用户已经逐渐拥有聚合自己数据的法律权利和技术入口。例如 GDPR 中的数据可携带权，要求平台向用户提供结构化、常用、机器可读格式的个人数据；Google Takeout、Amazon 数据导出、Apple、Meta、X 等平台也都提供了不同形式的数据下载工具。
但问题在于，过去这些数据虽然理论上归用户可控，但实际上很难被用户利用。Google Takeout 下载下来可能是大量 JSON、CSV、HTML 文件；Amazon 订单记录、YouTube 历史、Google Search 活动、X 点赞记录格式各异。普通用户即使拿到了这些数据，也很难阅读、整合，更不用说用它们来反过来优化个性化推荐。这正是 LLM Agent 出场的关键位置。
LLM Agent 让用户主导个性化第一次变得可操作
论文认为，LLM Agent 的出现，使用户主导个性化第一次具备了现实可能。原因在于，LLM Agent 不只是一个聊天机器人，而是可以成为用户侧的数据理解与决策代理。它能够读取和理解 JSON、CSV、HTML、文本记录等不同格式的个人数据，也能够把跨平台数据与用户的自然语言指令结合起来，进一步进行偏好建模、总结、推理、解释，并调用外部工具或 API 执行搜索、筛选、排序和推荐任务。
这带来了一个关键变化：过去是平台根据局部数据猜测用户想要什么，现在则是用户可以把更完整的跨平台信息交给 Agent，让 Agent 帮自己判断什么更适合自己。平台推荐的基础逻辑是 “我观察到你在我这里做了什么，所以我推测你接下来可能想要什么”；用户主导个性化的基础逻辑则是 “我把自己跨平台、跨场景的生活上下文交给一个受我控制的 Agent，由它在更完整的信息基础上替我做选择”。
论文特别强调，平台和用户之间真正的不对称，不在于谁拥有更强的 LLM。因为同样的前沿大模型，平台和用户理论上都可以使用。真正的不对称在于，只有用户能够合法、自然、完整地聚合跨平台与线下信息。给定同样的大模型，谁拥有更完整的用户上下文，谁就更有可能做出更好的个性化判断。这就是 User-Governed Personalization 的核心逻辑。
实验验证：跨平台数据是否真的能提升个性化？
为了验证这一设想，作者团队进行了一个 proof-of-concept 实验。实验共包含 15 名参与者。每位参与者下载自己的多平台数据，包括：
Amazon：订单历史、购物车活动、数字购买记录、搜索历史；
Google Takeout：Google Search、Google Shopping、YouTube 观看和搜索历史等；
Twitter/X：推文与点赞记录。
实验中使用的 Agent 基于 Claude Code，模型包括 Sonnet 4.6、Opus 4.6 和 Opus 4.7。作者设计了两个任务来测试跨平台数据是否真的能带来更好的个性化。
任务一：预测用户未来会在 Amazon 买什么
第一个任务是 Amazon future-purchase prediction：给定用户过去一年的行为数据，Agent 需要在一个候选商品集合中排序，其中包含用户未来三个月真实购买的商品，以及来自相关品类的 40 个负样本。实验比较了两种设置：
Amazon-only：只使用 Amazon 内部数据，包括订单、购物车、数字购买和搜索历史；
Amazon + Google cross-platform：在 Amazon 数据基础上，额外加入 Google Search、Google Shopping、YouTube 观看历史和 YouTube 搜索历史。为了避免信息泄露，Google 数据只使用锚点时间前一年到前七天之间的数据，中间留出一周 buffer。
实验结果显示，加入跨平台 Google 数据后，所有推荐排序指标都提升了：
Hit@5：从 86.6 提升到 90.0；
NDCG@5：从 64.8 提升到 68.4；
Recall@5：从 60.1 提升到 63.9。
这些提升在统计上显著。这说明一个很直观但重要的事实：用户在 Google、YouTube 上的行为，确实能够帮助预测他未来在 Amazon 上会买什么。也就是说，用户在一个平台上的行为，对另一个平台的个性化具有真实价值；只是过去平台之间的数据壁垒让这种价值无法被利用。
任务二：让 Agent 推荐 YouTube 视频
第二个任务是 YouTube video recommendation。Agent 需要为每位参与者生成 20 个 YouTube 视频推荐，其中包括：
10 个 reinforcement recommendations：基于用户已有 YouTube 观看模式进行强化推荐；
10 个 exploration recommendations：探索用户可能感兴趣、但尚未在 YouTube 上明确表达过的兴趣方向。参与者会在随机、盲测的设置下观看推荐视频，并判断自己是否愿意继续观看。实验比较了两种设置：
YouTube-only：Agent 只看到用户的 YouTube 观看和搜索历史；
YouTube + full cross-platform：Agent 额外获得 Google Search、Amazon 订单与搜索历史、Twitter/X 推文和点赞等跨平台数据。
结果同样非常明显：
总体推荐 precision：从 53.3 提升到 61.6；
reinforcement precision：从 61.5 提升到 64.6；
exploration precision：从 45.3 提升到 58.3。
最值得注意的是 exploration recommendation 的提升，直接增加了 13 个百分点。
这说明跨平台数据的作用，并不只是把 YouTube 已经知道的兴趣再强化一遍，而是帮助 Agent 发现 YouTube 单独看不到的兴趣维度。换句话说，跨平台数据真正打开了 “探索式个性化” 的空间。
这是不是意味着平台推荐会被完全取代？
论文并没有简单宣称平台推荐会被 LLM Agent 取代。相反，作者明确指出，平台仍然重要。平台依然掌握内容库、商品库存、候选召回、基础排序、交互界面等关键基础设施。用户主导个性化更可能不是完全替代平台推荐，而是在平台基础设施之上，增加一个由用户控制的最终决策层。
也就是说，未来的推荐系统可能不是 “平台推荐 vs 用户 Agent 推荐” 的二选一，而是形成一种新的分工：平台负责提供候选内容、基础匹配和群体协同信号，用户侧 Agent 则基于更完整的个人上下文进行重排、过滤和选择。这种结构的优势在于，它能够同时结合两类信号。一类是平台拥有的群体协同信号，例如 “买了 X 的人也买了 Y”“看过 A 的人也喜欢 B”；另一类是用户拥有的跨平台个人信号，例如 “我最近在 Google 搜了马拉松计划，在 Amazon 买了跑鞋，在 YouTube 看了训练视频，在 Spotify 听跑步歌单”。这两者并不是替代关系，而是互补关系。
不过，作为一篇 position paper，作者并没有把 User-Governed Personalization 描述成一个毫无争议的新范式。相反，论文也讨论了几个非常自然的反对意见。
反驳一：大平台自己整合生态数据不就行了吗？
一个自然反驳是：Google、Apple、Meta 这些大公司本身就有多个服务，难道它们不能自己做跨平台个性化吗？论文的回答是：这只能部分缓解问题，但无法根本解决。即使 Google 能看到 Search、YouTube、Gmail、Maps，Apple 能看到 Mail、Calendar、Messages、Photos，它们依然看不到用户在 Amazon、Spotify、Netflix、X、Instagram 等其他服务中的行为，更看不到完整线下生活。而且，监管层面对大型平台跨服务合并数据的限制越来越强，进一步增加了这种生态内整合的难度。因此，大平台生态可以扩大一个公司的观察范围，但无法真正获得用户完整生活视角。
反驳二：平台有海量群体数据，单个用户怎么比？
另一个反驳是，平台拥有数亿用户的交互数据，这种 collaborative signal 是单个用户无法获得的。论文承认这一点，但认为这并不构成根本否定。因为用户主导个性化并不是要抛弃协同过滤，而是补上平台缺失的另一维信息：跨平台的个人上下文。更进一步，LLM 本身在大规模文本预训练中已经吸收了大量世界知识，某种程度上可以弥补缺乏显式用户 - 物品交互矩阵的问题。近期也已有研究表明，LLM 可以在推荐任务中作为 zero-shot ranker，并通过语言表征支持推荐推理。因此，用户侧 Agent 并不是从零开始做推荐，而是在 LLM 的世界知识基础上，叠加用户独有的跨平台数据。真正理想的未来形态，可能是平台协同信号、LLM 世界知识和用户跨平台个人数据三者结合。
反驳三：用户真的会愿意下载数据、配置 Agent 吗？
今天的数据导出流程确实很麻烦：Google Takeout 文件庞大、格式复杂；Amazon、X、Meta 等平台导出的数据结构也不统一。让普通用户手动下载、解压、清洗、上传给 Agent，显然还不是一个大众化产品体验。此外，把所有个人数据交给云端 LLM 服务商，也可能制造新的数据集中风险。原本平台各自只掌握一部分数据，现在如果全部交给某个 AI provider，反而可能形成更集中的隐私风险。论文对此的判断是：这些是工具和基础设施问题，而不是架构上的根本不可能。未来可能的发展方向包括：更顺滑的数据导出和授权机制、本地优先的 LLM Agent、更强的端侧推理硬件、面向个人数据的 RAG 与长上下文压缩、可信执行环境和机密计算、开源个性化模型、用户自愿参与的隐私保护式联邦协作。换句话说，平台面对的是结构性数据壁垒；而用户主导个性化面对的更多是工程与产品成熟度问题。
用户主导个性化还面临哪些开放问题？
论文最后提出了几个关键开放方向。首先是如何评估真正的个性化质量。个性化推荐很难像数学题一样有标准答案。一个推荐可能相关但无聊，可能新奇但用户不想看，也可能短期看起来没用、长期却很有价值。用户的真实偏好往往模糊、多变，甚至前后不一致。因此，如何设计可靠的评估协议，是用户主导个性化走向大规模研究的第一道难题。更复杂的是，跨平台个人数据高度敏感，不可能像 MovieLens 或 Amazon Reviews 那样公开成标准 benchmark。未来可能需要新的隐私保护评测框架，让研究者既能比较方法，又不暴露用户数据。
其次是 LLM Agent 应该如何更好地理解个人偏好。论文中的实验主要使用 off-the-shelf LLM 和 Claude Code，并没有针对个性化任务做专门训练。这带来一个问题：现有 LLM 的训练目标主要是通用帮助性、代码、数学、对话质量和安全对齐，而不是 “理解一个具体人的长期偏好”。如果 Agent 真正拥有用户完整跨平台历史，那么什么样的训练目标最适合个性化？是否需要 personalization-aware training？是否需要新的 reward model？是否需要长期记忆、偏好演化建模和反事实推荐能力？这些都是未来值得深入探索的问题。
第三个问题是，如何在不牺牲隐私的情况下利用群体智慧。用户主导个性化的一个短板，是缺乏平台那样的大规模群体协同信号。一种可能方向是 user-side federation，也就是用户自愿共享匿名化偏好表示，而不是共享原始数据。通过安全聚合、差分隐私等机制，用户既可以从群体智慧中获益，又能保留对个人数据的控制权。这可能成为平台协同过滤之外的另一种推荐系统组织方式。
最后一个问题是，如何构建本地优先的个人 AI 基础设施。如果用户主导个性化长期依赖云端 API，它仍然会面临数据集中化风险。因此，论文强调，未来需要面向个人数据处理的本地化模型和基础设施。这不仅是推荐系统问题，也可能成为个人 AI 操作系统的核心能力。
小结与反思
这篇论文最有价值的地方，不在于证明某个具体推荐算法比另一个算法更强，而在于它重新讨论了个性化推荐背后的结构。过去的个性化是平台中心的：平台收集数据，平台建模用户，平台决定推荐什么。论文提出的 User-Governed Personalization，则试图把个性化的中心从平台转向用户：用户聚合自己的跨平台与线下信息，用户授权 Agent 理解这些信息，用户主导最终推荐逻辑。
这背后其实是一个更大的趋势。随着 LLM Agent 能够读取文件、调用工具、执行任务和操作网页，用户第一次有机会把自己分散在各个平台里的数字痕迹重新收回。在这个新范式下，个性化不再只是平台优化 engagement 的工具，而可能成为用户管理自己数字生活的基础设施。
当然，这条路还远没有完成。数据导出体验、个人数据隐私、本地模型能力、评估协议、跨平台授权机制、群体协同信号的隐私保护利用，都是仍需解决的问题。但这篇论文提出的问题非常关键：如果只有用户才拥有完整的自己，那么为什么个性化推荐的控制权一直主要掌握在平台手里？LLM Agent 的出现，可能正是这个问题开始被重新回答的时刻。
总的来说，这项工作不仅为推荐系统提供了一个新的研究方向，也为未来个人 AI 的形态提供了重要启发。平台可以继续提供内容、商品、服务和基础推荐能力，但真正理解用户完整生活的主体，或许应该回到用户自己。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com
