论文页面 - 跨会话个性化工具调用的潜在偏好建模

来源：https://huggingface.co/papers/2604.17886

摘要

通过记忆增强方法，LLM 智能体的个性化工具调用得以改进：该方法不仅记录用户的选择，更捕捉选择背后的理由，且额外 token 开销极低。

用户向 LLM 智能体发起请求时，常遗漏关键细节，导致工具输入欠规范。这对工具增强型智能体（https://huggingface.co/papers?q=tool-augmented%20agents）构成根本挑战，因为 API 执行（https://huggingface.co/papers?q=API%20execution）通常需要完整参数，从而凸显个性化工具调用（https://huggingface.co/papers?q=personalized%20tool%20calling）的必要性。为研究该问题，我们推出 MPT 基准，包含 265 段多会话对话（https://huggingface.co/papers?q=multi-session%20dialogues），涵盖三大挑战：偏好回忆（https://huggingface.co/papers?q=Preference%20Recall）、偏好归纳（https://huggingface.co/papers?q=Preference%20Induction）与偏好迁移（https://huggingface.co/papers?q=Preference%20Transfer）。我们还提出 PRefine（https://huggingface.co/papers?q=PRefine），一种测试时的记忆增强方法，将用户偏好（https://huggingface.co/papers?q=user%20preferences）表示为动态演化的假设。通过“生成—验证—精炼”循环（https://huggingface.co/papers?q=generate–verify–refine%20loop），从历史中提取可复用的约束，在仅消耗全历史提示 1.24% token 的情况下提升工具调用准确率。结果表明，智能体系统的稳健个性化依赖于能够记录“用户为何如此选择”的记忆，而不仅仅是“用户选择了什么”。

查看 arXiv 页面（https://arxiv.org/abs/2604.17886）
查看 PDF（https://arxiv.org/pdf/2604.17886）
项目主页（https://still-with-you.github.io/pages/prefine/）
添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2604.17886）

在您的智能体中获取本文：

hf papers read 2604.17886

尚未安装最新 CLI？
curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型 0

暂无模型关联该论文

在模型 README.md 中引用 arxiv.org/abs/2604.17886 即可在此页面显示链接。

引用该论文的数据集 0

暂无数据集关联该论文

在数据集 README.md 中引用 arxiv.org/abs/2604.17886 即可在此页面显示链接。

引用该论文的 Spaces 0

暂无 Space 关联该论文

在 Space README.md 中引用 arxiv.org/abs/2604.17886 即可在此页面显示链接。

收录该论文的合集 0

暂无合集收录该论文

创建新合集 并将该论文加入，即可在此页面显示链接。