[논문 리뷰] Toward Personalized LLM-Powered Agents: Foundations, Evaluation, and Future Directions

Yue Xu, Qian Chen외 6명|arXiv (Cornell University)|2026. 02. 26.

Multimodal Machine Learning Applications인용 수 0

한 줄 요약

사용자 맞춤 LLM 기반 에이전트를 프로필 모델링, 기억, 계획, 행동 실행을 중심으로 구성한 능력 지향적 설문으로, 사용자 맞춤 에이전트의 방법, 벤치마크, 향후 방향을 검토한다.

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.

연구 동기 및 목표

• 프로필 모델링, 기억, 계획, 그리고 행동 실행의 네 가지 상호 의존적 구성요소를 중심으로 개인화된 LLM-파워드 에이전트를 위한 통합되고 능력지향적인 프레임워크를 정의한다.
• 이 구성요소들 전반에 걸친 대표적 방법, 벤치마크, 평가 프로토콜을 합성한다.
• 최종-단계 맞춤화 파이프라인에서 사용자 신호가 어떻게 표현되고, 전파되며, 활용되는지 분석한다.
• 확장 가능하고 신뢰할 수 있는 개인화 에이전트로의 방향성과 도전과제를 포함한 응용 도메인에 대해 논의한다.

제안 방법

• 에이전트 수명주기 전반의 맞춤화를 분석하기 위한 네 구성요소 분류체계(프로필 모델링, 기억, 계획, 행동 실행)를 제안한다.
• 히스토리 데이터 및 상호작용 데이터를 포함한 사용자 중심 데이터 개념과 그것이 선호도에 어떻게 조건화하는지 검토한다.
• 프로필 모델링 접근법을 조사한다: 페르소나 기반과 응답 기반으로 구분하며, 사용자-시뮬레이티드와 적응적 에이전트 정의의 구분을 명시한다.
• 내부 메모리와 외부 메모리, 및 텍스트 기반 메모리와 구조적 메모리를 업데이트 메커니즘과 함께 고찰한다.
• 메모리 업데이트 전략을 논의한다(텍스트 메모리에 대해 유사성 주도형과 추론 주도형; 구조적 메모리에 대해 노드/에지 및 유지 관리).
• 개인화 에이전트의 평가 및 배포 고려사항을 개략하고, 트레이드오프와 안전성 등을 포함한다.

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

실험 결과

연구 질문

• RQ1 LLM-파워드 에이전트의 효과적 맞춤화를 가능하게 하는 핵심 구성요소와 메커니즘은 무엇인가?
• RQ2 사용자 신호를 프로필 모델링, 기억, 계획, 행동 실행 전반에 걸쳐 어떻게 표현하고 저장하며 전파해야 하는가?
• RQ3 개인화 에이전트 시스템을 구축·평가·배포하는 데 있어 도전과제와 트레이드오프는 무엇인가?
• RQ4 메모리와 프로필 선택이 장기적 사용자 정렬과 시스템 강인성에 어떤 영향을 미치는가?
• RQ5 다양한 도메인에서 확장 가능하고 신뢰할 수 있는 개인화 에이전트를 위한 유망한 방향은 무엇인가?

주요 결과

• 통합 분류체계는 개인화에 필수적인 네 가지 상호 의존적 능력: 프로필 모델링, 기억, 계획, 그리고 행동 실행을 드러낸다.
• 개인화는 사용자의 선호도가 결정에 조건을 부여하고, 행동은 피드백을 생성하며, 결과가 선호를 정교화하는 폐쇄 루프처럼 작동한다.
• 두 층의 사용자 신호(역사 데이터와 상호작용 데이터)가 이중 시간축 개인화를 지원하여 장기적 적응과 맥락별 적응을 가능하게 한다.
• 프로필 모델링은 사용자 프로필 모델링(페르소나 기반 및 응답 기반)과 에이전트 역할 정의(사용자-시뮬레이티드 vs 적응형)로 나뉘며 각각 고유한 도전 과제를 가진다.
• 개인화용 메모리 아키텍처는 내부 메모리와 외부 메모리로 확장되며 텍스트 기반 및 구조화된 형태를 포함하고, 각각은 신중한 업데이트 메커니즘과 검색 전략을 필요로 한다.
• 벤치마크, 평가 프로토콜, 응용 도메인에 대한 포괄적 설문은 배치 가능한 개인화 에이전트를 발전시키기 위해 구성 간 전체적 평가의 필요성을 강조한다.

Figure 2. User-specific data in personalization process.