一句话总结

作者提出RecGPT-V2，通过层次化多智能体系统消除认知冗余并实现多样化意图覆盖、元提示技术实现动态解释生成、约束强化学习优化多目标奖励，以及智能体裁判框架进行过程导向评估，解决了RecGPT-V1的四大局限，在淘宝平台取得显著性能提升（包括新颖性曝光率+11.46%）并降低60% GPU消耗。

核心贡献

• RecGPT-V2针对先前系统的关键缺陷（冗余意图推理导致的计算低效与低信息密度解释），引入具有混合表示推理的层次化多智能体系统，将GPU消耗降低60%，专属召回率从9.39%提升至10.99%。
• 该框架通过元提示技术实现动态上下文感知的解释生成，克服表达同质化与时间适应性弱的问题，在捕捉季节趋势等实时信号的同时提升解释多样性7.3%。
• 偏好感知强化学习解决复杂生成任务中的多目标奖励冲突，标签预测准确率提高24.1%，解释接受度提升13.0%；淘宝在线A/B测试证实关键指标显著增长：点击率(CTR) +2.98%、页面访问量(IPV) +3.71%、新颖性曝光率(NER) +11.46%。

引言

推荐系统日益依赖个性化解释提升用户对推荐商品的参与度，但静态解释方法因重复性高、忽略上下文而效果受限。先前工作如RecGPT-V1存在关键缺陷：刚性提示模板导致低信息密度解释，难以适应时间趋势或用户上下文；评估框架未能捕捉风格多样性等核心质量维度。作者通过引入元提示技术动态合成上下文感知提示模板，以及偏好感知强化学习（基于人类对齐的多目标建模优化解释），将解释生成从僵化模板转向自适应推理，直接解决线上部署中观察到的参与度不足问题。

数据集

作者使用双语电商商品标题数据集进行翻译任务，关键细节如下：

• 组成与来源：数据集包含成对的中文商品标题及其英文翻译，源自在线零售平台。
• 子集详情：
  • 包含经验证翻译的用户生成商品列表。
  • 具体划分规模未说明，但示例遵循严格的{中文: 英文}格式。
  • 无明确过滤规则，条目经筛选确保直接翻译相关性。
• 训练用途：
  • 数据构成序列到序列翻译模型的核心训练集。
  • 作为单一任务混合使用，未添加其他数据源或调整比例。
• 处理流程：
  • 原始标题仅进行基础预处理，示例显示字符级直接配对。
  • 未应用裁剪策略——完整标题保留为输入输出对。
  • 元数据隐式衍生于配对结构，无额外辅助标注。

方法

作者在RecGPT-V2中采用多组件架构，克服前代系统的计算低效、认知冗余及评估局限。系统围绕三大核心创新构建：智能体意图推理、动态解释生成与智能体裁判框架，分别解决推荐流程中的特定瓶颈。

智能体意图推理模块构成系统骨干，以协调式层次化多智能体系统（HMAS）替代RecGPT-V1的并行冗余大语言模型路径。该系统分三阶段运行：全局规划器融合用户行为历史、静态/动态画像属性及实时环境信号（如天气、热点事件），将用户意图分解为专业化角色；分布式专家智能体接收角色分配，各自生成符合特定意图维度的商品标签；最终决策仲裁器整合专家输出，对全候选标签池进行联合推理，筛选行为最相关、画像一致且无冗余的标签用于下游检索。此协调架构消除了冗余的全上下文编码与认知重叠，图示对比了RecGPT-V1孤立路径与RecGPT-V2 HMAS的差异。

为实现规模化部署，作者引入混合表示推理技术。该技术将用户超长行为序列（常超32K tokens）压缩为紧凑混合上下文，核心是原子化实体压缩：使用预训练嵌入模型（如BGE, Qwen3-Embedding）将商品与查询描述编码为稠密向量，再通过轻量可训练适配器网络投影至大语言模型输入空间，以单原子标记[entity]替代多token文本描述。此过程在保持语义完整性的同时实现7倍压缩比，示例显示21,349 token用户画像被压缩至5,158 tokens。

作者进一步通过基础设施工程优化提升效率，包括解耦预填充-解码服务架构：为计算密集型预填充阶段（处理长上下文）与内存密集型解码阶段（生成输出）分配独立GPU池，显著提升模型FLOPs利用率（MFU）。结合XQA内核的FP8精度推理，这些优化使GPU消耗较RecGPT-V1降低60%，MFU提升53.7%。

在动态解释生成方面，作者通过元提示框架突破RecGPT-V1固定模板限制。该两阶段流程首先基于用户兴趣、商品属性及情境信号（如季节趋势）合成上下文自适应的风格指南；第二阶段据此生成最终解释，实现多样化、情感共鸣且时效性强的输出。该方法将解释多样性提升+7.3%，并在时效性、信息量与吸引力等扩展评估维度上更契合用户预期。

最后，为解决结果导向评估的局限，作者提出智能体作为裁判框架。该系统将整体质量评估分解为多维度子评估器（各专精特定标准如相关性、事实性、时效性），再由高级评审智能体通过结构化两阶段流程聚合子评估：先检测关键缺陷，再提升高质量输出，最终生成三级判断（优秀、平均、差）。此过程导向评估使标签预测与解释生成的人类偏好对齐度分别提升+0.46%与+1.76%。为实现持续优化，作者引入裁判即奖励（Judge-as-a-Reward）蒸馏框架，将离散判断转化为密集可微奖励信号驱动强化学习，建立策略优化的自增强飞轮。

实验

• 在淘宝平台开展为期两周的线上A/B测试，以1%流量分配对比RecGPT-V2与RecGPT-V1在商品及信息流推荐场景的表现
• 短期指标显著提升：页面访问量(IPV) +3.40%、点击率(CTR) +4.68%、总访问量(TV) +4.05%、新颖性曝光率(NER) +11.46%
• 长期留存改善：14日留存率(LT-14) +0.04%、30日留存率(LT-30) +0.05%
• 通过真实案例验证动态意图适应能力，推荐结果有效融合天气与节假日等环境信号
• 在提升商品标签预测与解释生成质量的同时，GPU消耗降低60%

作者在淘宝平台开展RecGPT-V2与RecGPT-V1的两周A/B测试，覆盖商品与信息流推荐场景。结果显示短期参与度与长期留存均显著提升：商品场景在页面访问量(IPV)（+3.64%）与新颖性曝光率(NER)（+11.46%）取得最高增益；信息流场景留存率提升虽小但具实际意义（LT-14 +0.04%，LT-30 +0.05%）。

作者采用两种奖励建模方法对比RecGPT-V2与RecGPT-V1，结果表明列表式奖励建模（List-wise RM）在标签预测HR@30（32.60%）与解释质量（40.73%）均达最高值，验证其较点式奖励建模（Point-wise RM）及基线在检索效果与解释输出上的全面优势。

作者在商品标签预测与解释生成任务中对比RecGPT-V2与基线模型，结果显示所有测试模型在准确率与F1分数上均持续提升。标签预测中Qwen3-SFT在V2版本达到最高性能（准确率0.8248，F1值0.8228）；解释生成中Qwen3-SFT同样领先（准确率0.7006，F1值0.7307），证实系统生成更精准上下文相关输出的能力。

作者通过多样性和质量指标评估RecGPT-V2与RecGPT-V1，结果显示RecGPT-V2在多样性（0.677 vs. 0.631）与质量（40.73% vs. 36.03%）均更高，表明新版系统在推荐多样性与输出准确性上的提升。

作者通过HR@30指标在多配置下评估RecGPT-V2，CRS优化变体（GRPO (CRS)）以32.60%的最高分显著优于RecGPT-V1基线（26.29%）及其他变体（SFT 29.20%，GRPO (SUM) 27.38%），表明CRS优化策略对召回性能贡献最大。