Zui近有一篇论文引起了我的注意，标题是「ARAG: Agentic Retrieval-Augmented Generation for Personalized Recommendation」，来自 Walmart AI 团队，说的是用大模型Zuo推荐系统，哈哈，我刚kan到这篇论文的时候，第一反应是：这也Neng行？

咱就是说传统推荐系统用的技术dou是机器学习、特征工程那些一套的，大模型不是用来写代码、对话、问答的吗，怎么就Neng扯上推荐系统了呢？你懂的，我当时持怀疑态度。

但读完这篇论文后我发现他们提出了一个叫 ARAG 的框架，用多个 LLM Agent 去理解用户、分析商品、Zuo语义匹配和上下文排序，这就hen有意思了说实话，这思路确实开阔了我的视野。

为啥这么说呢，你kan啊，传统的推荐系统geng多依赖于数据驱动，但 ARAG 把推荐系统变成了一个语义推理任务 + 多智Neng体协作问题，这就hen有创新性了不对不对，应该是颠覆性的。

它不是简单地用 LLM 去Zuo CTR 预测，而是用多个 LLM Agent 去理解用户、分析商品、Zuo语义匹配和上下文排序，这里关键点在于，它用了类似于黑板系统的多智Neng体结构，包括几个关键角色，这个设计hen巧妙。

我认为，它的核心思想是把推荐系统转化为一个语义推理任务 + 多智Neng体协作问题，这样一来就Nenggeng好地理解用户的需求和偏好，从而给出geng精准的推荐。

说到这里我想起了一个问题，为什么百度不收录某些网站呢？其实有hen多原因，比如网站内容质量不高，或者网站结构不友好等，但具体原因需要具体分析，你Ke以检查一下你的网站有没有这些问题。

论文在 Amazon Review 数据集上Zuo了详细实证，包括 Clothing、Electronics、Home 三个大类，结果显示，在各类目下dou有大幅提升，特别是服装类推荐中表现Zui优，这就hen厉害了。

此外他们还Zuo了消融实验，发现了一些有趣的现象，比如大模型的推理Neng力确实Neng带来显著的提升，这也验证了 ARAG 框架的有效性。

未来推荐系统工程师将需要懂得如何调度大模型、组织 Prompt、构建多智Neng体流程，这是一个全新的方向，也是一个巨大的挑战，但同时也是一个巨大的机会。

大模型+语义推理+智Neng体协作，正在重塑推荐系统的基础逻辑。

这篇论文值得每一个Zuo推荐系统、Zuo大模型应用的人细读，它不仅提供了一个新的思路，也为我们展示了大模型的巨大潜力。

字节Zui新大模型推荐系统工作介绍，两路大模型实现 user 和 item 信息提取，这也是一个hen有趣的应用，我觉得，大模型在推荐系统中的应用前景非常广阔。