个性化长期依赖客户数据（历史行为和偏好）来推断用户价值，这被称为客户证据。生成式 AI 通过在生成响应的瞬间注入提供方上下文（当前可行、允许或建议的条件），突破了事先编码所有情境的限制。该灵活性带来了新问题：上下文易得时，更多并不一定更好。我们提出上下文充足性理论，强调上下文与客户当前意图的相关性高于其数量。理论划分为四种状态：不足、充足、饱和和干扰，并定义了上下文充足性前沿，用于定位最小的相关上下文集合。通过在一家大型家居零售商的生成式推荐系统上进行全因子实验，发现相关上下文提升了推荐的适切性，而无关上下文则降低适切性并导致检索不稳定。该框架将个性化的重点从“提供更多上下文”转向“识别当前交互真正需要的上下文”，并在整个服务流程中强制约束。
点评