一篇名为 Shape Your Feed 的新论文提出了一种基于大语言模型的智能体推荐系统，将传统"被动刷信息流"升级为"对话式主动塑造"——用户通过自然语言对话，即可让 AI 替自己定制个性化内容流。
传统推荐系统的逻辑是"猜你喜欢"——基于点击、停留、购买等隐性行为信号，用协同过滤或深度学习模型去预测用户可能感兴趣的内容。用户从不直接表达，系统也从不直接询问。
但是，行为数据只能反映过去，无法捕捉当下意图。
依赖隐性行为信号（点击、停留时长），用户被动接收，兴趣画像由算法反向推断。
用户通过自然语言主动表达偏好与意图，AI 实时解析并塑造信息流，所见即所愿。
注：对比基于论文框架设计描述，传统推荐部分为通用技术背景参照。Shape Your Feed 的具体实现细节以论文原文为准。
Shape Your Feed 的核心设计是将大语言模型作为推荐推理引擎，通过智能体架构串联从"听懂用户"到"交付内容"的完整链路：
与传统推荐模型不同，这条链路的每一步都由大模型推理驱动，而非纯统计匹配。用户的一句"我想看一些轻松的科技资讯，不要太硬核"，系统会将其拆解为领域偏好、难度层级、内容调性等多个维度，再据此筛选与排序。
关键在于：意图不是被推断的，而是被说出来的。
注：标签云基于论文公开的框架描述整理，具体模块命名与实现细节以论文原文为准。橙色标签为核心链路节点。
Shape Your Feed 的设计逻辑暗示，一个成熟的对话式推荐智能体需要在以下维度达到较高水准。这些维度也构成了评估此类系统的隐性基准：
注：维度权重为编辑基于论文框架设计的分析推断，非论文原文披露的量化指标。柱形长度仅示意相对重要性，非具体分数。
Shape Your Feed 的框架思路值得重视，但必须诚实指出：这篇论文目前仍处于概念框架阶段。论文未附带公开基准测试数据集、未提供代码仓库、未披露对比实验的量化指标。
一个诚实的注脚：没有数据支撑的框架，离产品落地还有很远的路。
但它的方向是对的。推荐系统行业过去十年一直在解决"猜得准不准"的问题，而 Shape Your Feed 提出了一个更前置的问题：用户凭什么不能直接说？当大模型已经能高质量理解自然语言，把推荐从"行为反推"升级为"对话确认"，是迟早会发生的事。
推荐系统的下一轮竞争，将从"猜得准"转向"听得懂"——对话式交互会重新定义信息分发的权力结构。
Shape Your Feed 论文已发布于 arXiv 平台，搜索论文标题即可获取完整原文。
arXiv 搜索 → Shape Your Feed