知识卡片：HARP——面向LLM推荐的双画像免训练智能体通信

一句话结论

HARP 将 LLM 推荐重构为“智能体通信”四阶段过程，并通过三个免训练算子补齐物品侧画像、检索时画像相似度门控与上下文内反思更新，在四个公开基准上把 Hit@1 较最强已发表基线提升 6.9%–24.0%。

事件概述或研究问题

论文指出，在基于 LLM 的推荐中，记忆模块充当用户级智能体，但用户与物品存在三重不对称：只有用户拥有结构化画像；画像只进入带宽受限的重排器提示词；画像在预热后即被冻结。作者据此提出“智能体通信”框架，包含 BUILD（构建自描述）、TRANSMIT（沿协同图传输）、UNDERSTAND（理解对方）、SYNC（从下一次交互同步）四个阶段，并识别出三个未解决的通信挑战：物品侧从不产生可比的自描述（单侧 BUILD）；画像级信号只进入重排器提示词而非检索阶段（提示词困住的 UNDERSTAND）；用户描述预热后冻结、缺乏有原则的更新规则（缺失的 SYNC）。

方法/产品要点

HARP（Homophily-aware Agentic Recommendation via dual Profiles）是叠加在冻结 LLM 主干上的免训练三算子方案：

• 规则提取的对称物品画像，零额外 LLM 调用；
• 通道可分解的画像级同质性 H(φ_u, φ_i)，在检索时消费而非放入重排器提示词；
• 单次反思式更新，实现上下文内的画像演化，无需任何梯度步骤。

主要结果或产业意义

在 Yelp、Books、MovieTV、Goodreads 四个公开基准上，HARP 将 Hit@1 较最强已发表基线提升 6.9%–24.0%，每个数据集上 family-wise Holm 校正后 p < 1e-9。消融与逐案例归因研究表明三个算子贡献互补，其中检索侧门控是主要增益来源；论文同时报告了反思式更新带来的权衡。代码见 https://github.com/Jove-Zhen/HARP。

为什么重要

该工作把 LLM 推荐中“用户画像 vs 物品画像”的不对称问题形式化为通信缺口，并给出无需训练、可直接叠加在冻结主干上的轻量补丁，对现有记忆增强推荐系统是一种低成本升级路径；其“检索时消费画像信号而非塞进提示词”的思路也为上下文预算紧张的推荐场景提供了替代方案。

局限与不确定性

• 反思式更新引入的具体权衡内容在摘要中未展开，待核实。
• 三个算子在四个数据集外的泛化性、对 LLM 主干规模与类型的敏感性，摘要未说明，待核实。
• 物品画像采用规则提取，其覆盖度与质量边界待核实。
• 论文发表于 arXiv 2026-11-03，尚未确认同行评审状态。

可用于图书/PPT/简报的角度

• 用“四阶段通信”框架讲解 LLM 推荐中用户与物品的信息不对称。
• 作为“免训练、冻结主干+轻量算子”的推荐系统改造案例。
• 对比“提示词内消费画像”与“检索时消费画像”的上下文成本差异。
• 引用其 Hit@1 提升幅度与统计显著性作为方法有效性的量化例证。

与既有脉络的关系

本条与已有卡片（WordVoice、BiSCo-LLM、JAX 主机卸载）无直接事实重叠；相对既有 LLM 推荐相关讨论，增量在于把“画像不对称”明确拆解为 BUILD/UNDERSTAND/SYNC 三个可操作的通信缺口，并给出免训练的三算子实现与四个基准上的量化增益。

原始材料

• 标题：HARP: Training-Free Dual-Profile Agentic Communication for LLM-Based Recommendation
• arXiv ID：2611.05319v1
• 作者：Zhen Tao, Xun Zhou, Xuhui Chen, Ziyue Qiao, Qingqiang Sun
• 发布：2026-11-03T18:24:20Z
• 主分类：cs.IR；分类：cs.IR, cs.AI
• 摘要页：https://arxiv.org/abs/2611.05319v1
• PDF：https://arxiv.org/pdf/2611.05319v1
• 代码：https://github.com/Jove-Zhen/HARP