論文の概要: Toward Personalized LLM-Powered Agents: Foundations, Evaluation, and Future Directions

• arxiv url: http://arxiv.org/abs/2602.22680v1
• Date: Thu, 26 Feb 2026 06:52:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.563613
• Title: Toward Personalized LLM-Powered Agents: Foundations, Evaluation, and Future Directions
• Title（参考訳）: パーソナライズされたLLMエージェント:基礎, 評価, 今後の方向性
• Authors: Yue Xu, Qian Chen, Zizhan Ma, Dongrui Liu, Wenxuan Wang, Xiting Wang, Li Xiong, Wenjie Wang,
• Abstract要約: この調査は、パーソナライズされたLDMエージェントの能力指向のレビューを提供する。 プロファイルモデリング、メモリ、計画、アクション実行の4つの独立したコンポーネントに関する文献を整理する。 パーソナライズされたLLMエージェントの理解と設計のための構造化されたフレームワークを提供することで、この調査は、よりユーザ整合性があり、適応性があり、堅牢で、デプロイ可能なエージェントシステムへのロードマップを示す。
• 参考スコア（独自算出の注目度）: 44.14477000176553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models have enabled agents that reason, plan, and interact with tools and environments to accomplish complex tasks. As these agents operate over extended interaction horizons, their effectiveness increasingly depends on adapting behavior to individual users and maintaining continuity across time, giving rise to personalized LLM-powered agents. In such long-term, user-dependent settings, personalization permeates the entire decision pipeline rather than remaining confined to surface-level generation. This survey provides a capability-oriented review of personalized LLM-powered agents. We organize the literature around four interdependent components: profile modeling, memory, planning, and action execution. Using this taxonomy, we synthesize representative methods and analyze how user signals are represented, propagated, and utilized, highlighting cross-component interactions and recurring design trade-offs. We further examine evaluation metrics and benchmarks tailored to personalized agents, summarize application scenarios spanning general assistance to specialized domains, and outline future directions for research and deployment. By offering a structured framework for understanding and designing personalized LLM-powered agents, this survey charts a roadmap toward more user-aligned, adaptive, robust, and deployable agentic systems, accelerating progress from prototype personalization to scalable real-world assistants.
• Abstract（参考訳）: 大規模言語モデルは、複雑なタスクを達成するために、ツールや環境を推論、計画、相互作用するエージェントを可能にした。 これらのエージェントが長期にわたる相互作用の地平線を乗り越えるにつれて、それらの効果は個々のユーザへの行動適応と時間の連続性にますます依存し、パーソナライズされたLLMエージェントが生まれる。 このような長期的なユーザ依存設定では、パーソナライゼーションは、表面レベルの生成に留まらず、決定パイプライン全体に浸透する。 この調査は、パーソナライズされたLDMエージェントの能力指向のレビューを提供する。 プロファイルモデリング、メモリ、計画、アクション実行の4つの独立したコンポーネントに関する文献を整理する。 この分類法を用いて、代表的手法を合成し、ユーザ信号がどのように表現され、伝播され、利用され、コンポーネント間の相互作用が強調され、設計トレードオフが繰り返されているかを分析する。 さらに、パーソナライズされたエージェントに適した評価指標とベンチマークについて検討し、特定のドメインに対する一般的な支援にまたがるアプリケーションシナリオを要約し、研究とデプロイメントの今後の方向性を概説する。 パーソナライズされたLLMエージェントの理解と設計のための構造化されたフレームワークを提供することで、この調査は、プロトタイプのパーソナライゼーションからスケーラブルな現実世界のアシスタントへの進歩を加速する、よりユーザ整合性、適応性、堅牢、デプロイ可能なエージェントシステムへのロードマップを示す。

関連論文リスト

• Mem-PAL: Towards Memory-based Personalized Dialogue Assistants for Long-term User-Agent Interaction [55.24448139349266]
  PAL-Benchは、長期ユーザエージェントインタラクションにおけるサービス指向アシスタントのパーソナライズ機能を評価するために設計された新しいベンチマークである。 サービス指向のインタラクションをパーソナライズするために、階層的で異質なメモリフレームワークであるH$2$Memoryを提案する。
  論文  参考訳（メタデータ） (2025-11-17T14:22:32Z)
• Scaling Environments for LLM Agents in the Era of Learning from Interaction: A Survey [30.673419015614233]
  エージェントは環境と直接対話し、強化学習を通じて経験から学ぶべきだという意見が高まりつつある。 本稿では,この反復処理をGEFループとして定式化し,環境がエージェントに挑戦するためのタスクを生成し,タスク実行中のエージェントの動作に応答して観察を返却し,その後の学習のためのロールアウトに対する評価フィードバックを提供する。 このパラダイムの下では、環境は経験的データの必須生産元として機能し、より複雑な、現実主義、対話性へのスケールの必要性を強調している。
  論文  参考訳（メタデータ） (2025-11-12T12:56:25Z)
• Enabling Personalized Long-term Interactions in LLM-based Agents through Persistent Memory and User Profiles [0.4885400580268118]
  大規模言語モデル(LLM)はAIエージェントの中央制御ユニットとしての役割を担っている。 本稿では、パーソナライズされた長期的なインタラクションを実現するために、永続メモリ、動的コーディネーション、自己検証、およびユーザプロファイルの進化を統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T08:22:16Z)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.32591749156416]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)
• Agent WARPP: Workflow Adherence via Runtime Parallel Personalization [0.0]
  大規模言語モデル(LLM)はタスク指向対話(TOD)システムにますます適用されてきている。 並列パーソナライゼーション(WARPP)は、マルチエージェントランタイムとオーケストレーションを組み合わせた、トレーニング不要でモジュール化されたフレームワークである。 ユーザ属性に基づいて条件分岐を動的にプルーニングすることで、このフレームワークは推論のオーバーヘッドを減らし、実行時のツール選択を狭める。
  論文  参考訳（メタデータ） (2025-07-23T23:27:49Z)
• PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
  PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。 パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。 テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
  論文  参考訳（メタデータ） (2025-06-06T17:29:49Z)
• A Survey of Personalization: From RAG to Agent [48.34245916821302]
  パーソナライゼーションは現代のAIシステムにおいて不可欠な機能となり、個々のユーザの好みやコンテキスト、目標に合わせてカスタマイズされたインタラクションを可能にしている。 最近の研究は、ユーザ満足度を高めるために、Retrieval-Augmented Generation (RAG)フレームワークと、パーソナライズされた設定内のより高度なエージェントベースのアーキテクチャへの進化に集中している。 本調査は,RAGの3段階(検索前,検索後,生成前)のパーソナライゼーションを体系的に検討した。
  論文  参考訳（メタデータ） (2025-04-14T11:57:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。