HARP：面向基于 LLM 的推荐的免训练双画像智能体通信

在基于 LLM 的推荐中，记忆在记忆增强骨干中充当用户级智能体。然而，用户与物品仍然是不对称的：只有用户拥有结构化画像；该画像被放入带宽受限的重排序器提示词中；并且在预热后被冻结。我们将基于 LLM 的推荐重新表述为一个包含四个阶段的智能体通信过程：BUILD 自我描述，沿协同图 TRANSMIT 该描述，UNDERSTAND 另一方，并从下一次交互中 SYNC 该描述。这一表述揭示了三个尚未解决的通信挑战：物品侧从未生成可比的自我描述（单边 BUILD）；画像层面的信号只进入带宽受限的重排序器提示词，而非检索阶段，因而无法避免与上下文令牌竞争（受提示词束缚的 UNDERSTAND）；用户描述在预热后被冻结，缺乏有原则的更新规则（缺失的 SYNC）。我们将缺失的阶段实例化为 HARP（Homophily-aware Agentic Recommendation via dual Profiles），这是对冻结 LLM 骨干的免训练、由三个算子组成的扩展：通过规则提取的对称物品画像（不增加额外的 LLM 调用）；在检索时而非重排序器提示词内部使用的、可按通道分解的画像级同质性 H(phi_u, phi_i)；以及通过单次反思式更新实现无需任何梯度步骤的上下文内画像演化。在四个公开基准数据集（Yelp、Books、MovieTV、Goodreads）上，HARP 相比已发表的最强基线将 Hit@1 提升了 6.9%-24.0%，且在每个数据集上均达到 family-wise Holm 校正后的 p < 1e-9。消融实验和逐案例归因研究表明，各算子带来了互补性增益，其中检索侧门控是主要来源；我们还报告了反思式流程所引入的权衡。我们提出了智能体通信，并给出一种免训练的实现。代码见 https://github.com/Jove-Zhen/HARP。