长按二维码,关注官方公众号
清华大学毕业，高级算法研究员。研究方向涵盖信息检索、推荐系统与多模态内容理解。2019年加入腾讯，专注于用户增长场景的算法研发；近年研究重心聚焦生成式推荐（GenRec）、大模型推荐（LLM4Rec）与智能体推荐（Agent4Rec）等前沿方向。研究成果发表于 ICML、ACL、WWW、SIGIR、KDD、RecSys 等领域顶级会议，相关算法已在十亿级推荐场景中成功落地。
Agentic4Rec：理论、算法、大规模工业落地应用与挑战
理论层，梳理 Agentic Recommendation 所面对的三个根本性问题；推理监督信号的来源、协同信号的注入方式、以及训练目标与推理过程之间的一致性，并从信息论视角阐明该范式与传统推荐、生成式推荐之间的本质差异。
算法层，剖析当前主流技术路线，对代表工作进行结构化对比，明确其解题边界、相互依赖与未解难题。
工业落地层，分析 Agentic Recommendation 在大规模生产环境中所面临的延迟与成本、长尾分布、分布漂移等结构性约束，并给出当前条件下具备工程现实性的整体方案。
演讲提纲：
1、Agentic4Rec 范式的提出背景
2、Agentic4Rec 的范式定位与角色框架
3、理论层：推理监督、协同信号、训推一致性
4、算法层：主流技术路线、解题边界与代价权衡
5、应用层：大规模工业落地的结构性约束与可行方案
6、趋势判断与开放问题
听众收益：
1.理论层面：建立对该范式三个根本性问题的清晰理解——推理监督信号的来源差异、协同信号在大模型 Agent 中的注入方式、训练目标与推理过程之间的一致性问题。
2.算法层面：掌握当前主流技术路线的解题边界与相互依赖关系，理解算法设计的出发点、当前局限与未解问题，从而在工程或研究选型时具备结构化的判断依据。
3.应用层面：获得 Agentic Recommendation 在大规模生产环境中所面对的五项结构性约束的完整视图，以及当前条件下具备工程现实性的整体方案。
