[論文レビュー] Toward Personalized LLM-Powered Agents: Foundations, Evaluation, and Future Directions

Yue Xu, Qian Chen+6 more|arXiv (Cornell University)|Feb 26, 2026

Multimodal Machine Learning Applications被引用数 0

ひとこと要約

機能志向の調査で、プロフィールモデル化・記憶・計画・実行を軸に個別化されたLLM搭載エージェントを組織化し、ユーザー適合エージェントの方法論、ベンチマーク、今後の方向性をレビューする。

ABSTRACT

Large language models have enabled agentic systems 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 interactions, giving rise to personalized LLM-powered agents (PLAs). In such long-term, user-dependent settings, personalization permeates the entire decision pipeline rather than remaining confined to surface-level response generation. This survey provides a capability-oriented review of personalized LLM-powered agents. Existing work is organized around four interdependent capabilities: profile modeling, memory, planning, and action execution. Using this taxonomy, representative methods are synthesized and analyzed to illustrate how user signals are represented, propagated, and utilized across the agent pipeline, highlighting cross-component interactions and recurring design challenges. Evaluation metrics and benchmarking paradigms tailored to personalized agents are further examined, along with application scenarios ranging from conversational assistants to domain-specific expert systems. By clarifying the design space of personalization in agent systems, this survey provides a structured foundation for developing more user-aligned, adaptive, and deployable LLM-powered agents.

研究の動機と目的

• 統一された、機能志向の個別化されたLLM搭載エージェントの枠組みを定義する。四つの相互依存するコンポーネント：プロフィールモデリング、記憶、計画、そして実行を切り分ける。
• これらのコンポーネント全体にわたる代表的な方法論、ベンチマーク、評価プロトコルを統合する。
• エンドツーエンドの個別化パイプラインにおけるユーザー信号の表現・伝播・利用方法を分析する。
• スケーラブルで信頼性の高い個別化エージェントへ向けた応用分野・課題・方向性を議論する。

提案手法

• 個別化をエージェントライフサイクル全体で分析するための四コンポーネント分類法（プロフィールモデリング・記憶・計画・実行）を提案する。
• 歴史データと対話データを含むユーザー中心データ概念と、どのように嗜好を条件付けるかをレビューする。
• プロフィールモデリング手法を調査する：ペルソナベースと応答ベースの二系統、ユーザーシミュ레이テッドと適応エージェント定義の区別。
• 記憶アーキテクチャを検討する：内部記憶と外部記憶、テキスト形式と構造化記憶、それぞれの更新メカニズム。
• 記憶更新戦略を議論する（テキスト記憶には類似性ドリブンと推論指向、構造化記憶にはノード/エッジと維持管理）。
• 個別化エージェントの評価・デプロイに関する考慮事項を概説し、トレードオフと安全性を含める。

Figure 1. Overview of personalized LLM-powered agents. Upon receiving a user request, the agent coordinates profile modeling, memory, planning, and action execution to generate a tailored response. Interaction outcomes provide feedback that refines user preference representations, enabling iterative

実験結果

リサーチクエスチョン

• RQ1 LLM搭載エージェントの効果的な個別化を可能にする中核コンポーネントとメカニズムは何か？
• RQ2 プロフィールモデリング・記憶・計画・実行を横断して、ユーザー信号をどのように表現・格納・伝播させるべきか？
• RQ3 個別化エージェントシステムの構築・評価・デプロイにおける課題とトレードオフは何か？
• RQ4 長期的なユーザー適合性とシステムの堅牢性に対して、記憶とプロフィールの選択がどう影響するか？
• RQ5 ドメインを超えたスケーラブルで信頼できる個別化エージェントに向けた有望な方向性は何か？

主な発見

• 個別化には相互依存する四つの能力：プロフィールモデリング・記憶・計画・実行が不可欠であるという統一分類が示される。
• 個別化は閉ループとして機能し、ユーザーの嗜好が意思決定を条件付けし、行動がフィードバックを生成し、結果が嗜好を洗練させる。
• 二層のユーザー信号（履歴データと対話データ）が長期と文脈特異的適応を可能にするデュアルタイムスケールの個別化をサポートする。
• プロフィールモデリングはユーザープロファイルモデリング（ペルソナベースと応答ベース）とエージェントの役割定義（ユーザーシミュレート vs アダプト）に分かれ、それぞれ固有の課題を持つ。
• 記憶アーキテクチャは内部記憶と外部記憶、テキスト形式と構造化形式を含み、いずれも適切な更新メカニズムと検索戦略を要求する。
• ベンチマーク・評価プロトコル・応用分野の包括的な調査は、展開可能な個別化エージェントを前進させるには全体的かつ跨るコンポーネント横断の評価が必要であることを強調している。

Figure 2. User-specific data in personalization process.