超越专家用户：智能体应该帮助用户构建偏好，而不仅仅是引导偏好

arXiv cs.AI 论文
preference-construction user-modeling agentic-systems recommender-systems interaction-design information-economics

摘要

本文认为，智能体应帮助用户构建偏好，而非假设用户已有完善偏好，并提出了CoPref模型和CoShop基准。评估显示，即使是前沿模型，由于偏好扩展不足，准确率也仅为56%。

arXiv:2606.30863v1 公告类型：新 摘要：智能体通常假设用户是专家用户——即对自身需求有明确偏好的用户——并在任务描述不明确时默认进行澄清提问。我们认为这一假设不切实际。用户往往缺乏完全指定偏好所需的领域知识；若询问其对某个特征的偏好，用户在智能体帮助其学习形成该偏好所需的相关领域知识（例如通过示例或解释）之前，可能无法回答。为将这些原则形式化，我们借鉴信息经济学中的Search-Experience-Credence框架，引入CoPref模型，描述用户如何基于智能体对话行为构建偏好。然后，我们在智能推荐系统中具体研究这些想法，提出互动基准测试CoShop。在CoShop中，智能体与CoPref用户进行对话并提供推荐。智能体的表现取决于其能否帮助用户获得充分指定任务所需的知识。评估五个前沿模型后，我们发现尽管经过五轮交互，没有智能体在CoShop上的准确率超过56%。失败的原因并非智能体查找物品的能力，而是交互对用户了解自身需求的扩展程度十分有限。
查看原文
查看缓存全文

缓存时间: 2026/07/01 05:36 

# 超越专家用户：智能体应协助用户构建偏好，而非仅仅引导其表达
来源：https://arxiv.org/abs/2606.30863  
查看 PDF (https://arxiv.org/pdf/2606.30863)

> **摘要：**智能体通常假定用户为专家——即拥有明确且完备的偏好，并能清晰表达其需求——因此在任务描述不充分时，默认采用澄清式提问。我们认为这一假设并不现实。用户往往缺乏领域知识，难以形成完全明确的偏好；若被问及对某一特征的偏好，用户可能无法作答，除非智能体通过示例或解释等方式，帮助用户获取形成该特征偏好所需的领域知识。为形式化这些原则，我们借鉴信息经济学中的搜索-体验-信任（Search-Experience-Credence）框架，提出了CoPref模型，用于描述用户如何基于智能体的对话行为构建偏好。随后，我们在智能体推荐系统中具体研究这些理念，提出了交互式基准测试CoShop。在CoShop中，智能体与CoPref用户进行对话并给出推荐。智能体的表现取决于它能否帮助用户获得充分界定任务所需的知识。我们对五个前沿模型进行了评估，发现尽管经过五轮交互，所有智能体在CoShop上的准确率均未超过56%。失败的原因不在于智能体寻找物品的能力，而在于交互过程对用户关于自身需求认知的拓展十分有限。

## 提交历史

来源：Irena Saracay \[查看邮箱 (https://arxiv.org/show-email/a7f20c4b/2606.30863)\] **\[v1\]** 2026年6月29日星期一 19:50:16 UTC (2,270 KB)

相似文章

iPrefBench：以用户为中心的个性化移动智能体基准测试

Hugging Face Daily Papers

iPrefBench 是一个以用户为中心的基准测试，用于评估个性化移动智能体在带有模拟用户的可执行 iOS 环境中，能否从活动历史中推断缺失偏好或主动请求澄清。对 7 个前沿智能体的评估显示存在较大差距：动作完成率高（最高达 91.6%），但完整任务成功率低（最高仅 47.7%），智能体尤其难以主动请求必要的信息。

当更多数据并不足够：生成式 AI 个性化中的上下文充分性前沿

arXiv cs.AI

该 arXiv 预印本提出了生成式 AI 个性化中上下文充分性（context sufficiency）的理论，提出“上下文充分性前沿”（Context-Sufficiency Frontier）来区分四种状态——不足、充分、饱和与干扰——并通过在一家家居零售商的生成式推荐器上开展的全因子实验证明：相关上下文能提升推荐的恰当性，而无关上下文不仅会损害恰当性，还会破坏检索的稳定性。