推荐系统新框架：RouteRec探索多智能体协同推荐路径

在推荐系统领域，面对协同过滤、序列模型、内容检索和大语言模型重排等多种异构智能体，如何选择最优组合成为关键挑战。arXiv最新研究提出RouteRec框架，首次在成本约束下系统评估任务感知的智能体排序问题。

研究团队在MovieLens-1M数据集上对比了四种传统推荐智能体和一种LLM重排智能体，采用严格的五折交叉验证防止数据泄露。实验发现，请求级硬选择策略表现不佳，甚至低于基准BM25算法（HR@10为0.223 vs 0.254），选择性调用LLM也未能提升效果。

然而项目级学习聚合展现出不同前景：仅使用低成本智能体的变体在命中率上已匹配BM25，NDCG指标更优（0.123 vs 0.114）；而包含所有智能体的门控聚合策略达到HR@10=0.295，仅需70.2%的LLM调用。研究表明，在稀疏固定候选集场景中，请求级选择单一完整智能体列表过于粗糙，项目级聚合为更有效的优化空间。

这项研究为推荐系统架构设计提供新思路，强调需要更精细的智能体协同机制，而非简单选择单一最佳模型。