传统的推荐系统大多部署在平台上，平台可以通过点击诱饵、过滤气泡和假新闻等手段提升用户黏性，却往往牺牲用户的真实需求。为了解决平台锁定带来的负面效应，近年来出现了用户侧推荐系统的概念——用户自行部署推荐模型，摆脱平台利益的束缚。构建用户侧系统并非易事，尤其是要实现个性化往往需要额外的用户数据。
AgentRecommender 提出了一种利用大语言模型（LLM）代理的调查能力和内部知识库来构建推荐系统的方法。LLM 代理能够在无需额外标注数据的情况下，根据用户提供的偏好描述主动检索、推理并生成候选项目列表。用户只需在本地环境中配置偏好提示，系统便会调用 LLM 代理完成内容筛选、相关性打分和结果排序，从而得到符合个人兴趣的推荐。
该方案的核心流程包括：
- 用户编写自然语言偏好描述；
- LLM 代理解析描述并在其知识库中搜索匹配的项目特征；
- 代理基于内部模型对候选项目进行相关性评估；
- 将评估结果返回给用户侧系统完成最终排序。
由于所有操作均在本地或受信任的计算环境中执行，用户的数据隐私得到保障，同时也避免了平台对推荐逻辑的干预。
点评：AgentRecommender 展示了 LLM 代理在用户侧推荐场景的可行性，为实现真正以用户为中心的个性化服务提供了新的技术路径。