多智能体视频推荐系统全景：从MARL到LLM驱动的架构演进与开放挑战

多智能体视频推荐系统（MAVRS）是应对传统单模型推荐局限的新范式，核心是将推荐任务分解给多个专门智能体协同完成。本文综述其演进历程：从早期基于多智能体强化学习（MARL）的系统，到如今大语言模型（LLM）驱动的架构；分析了智能体协作模式，并指出可扩展性、多模态理解等开放挑战，展现其向更智能、可解释、个性化方向发展的潜力。

传统单模型推荐系统优化静态参与度指标（如点击率、观看时长），难以适应现代平台动态需求（用户兴趣瞬息万变、内容生态日新月异）。多智能体架构通过拆分任务给专门智能体协同完成，提供更精准、可解释的推荐结果，成为应对挑战的新方向。

MAVRS包含多种专门智能体：视频理解智能体（提取多模态特征）、推理智能体（推断用户即时兴趣与潜在需求）、记忆智能体（维护用户长期画像与短期会话状态）、反馈智能体（收集用户反馈并传递信号）。协作模式有：层级协调（中央控制器如LLM协调）、对等协作（智能体直接通信）、市场机制（竞价匹配）、共识机制（多智能体建议融合），不同模式适配不同场景。

MAVRS演进分两阶段：

1. MARL阶段：将推荐视为序列决策问题，优势是建模智能体间复杂交互与博弈（如推荐多样性的竞争），但存在训练复杂度高、样本效率低、可解释性差等挑战。
2. LLM驱动阶段：利用LLM的理解、推理能力，代表架构如MACRec（生成可解释推荐理由）、Agent4Rec（LLM作为核心控制器协调专门智能体），优势包括可解释性、灵活性（提示词快速适应场景）、知识整合（预训练知识理解语义）。

MAVRS应用场景广泛：

• 短视频平台（TikTok/快手）：需快速响应，智能体高效协作关键；
• 长视频平台（YouTube/B站）：用户决策慎重，LLM可解释性价值大；
• 教育平台（Khan Academy/Coursera）：需考虑学习路径，可设计“学习路径规划智能体”；
• 直播/实时内容：需实时性，需专门实时反馈机制。

MAVRS面临的开放挑战：

• 可扩展性：用户与内容规模增长导致协调开销瓶颈，需动态调整智能体数量、分层架构或边缘计算；
• 多模态理解：视频多模态信息融合仍需提升，LLM在视频细粒度理解待加强；
• 激励对齐：智能体局部目标与平台全局目标（如长期留存）需对齐；
• 冷启动与长尾：新用户/内容缺乏数据，需设计专门冷启动智能体；
• 公平性与偏见：需引入公平性智能体监控纠正，但公平与效率平衡待解决。

未来研究方向包括：混合RL-LLM系统（结合MARL决策优化与LLM推理）、终身个性化（持续跟踪用户兴趣演化）、自改进系统（自主发现不足并改进）、跨平台推荐（提供一致体验）。MAVRS潜力已初步验证，随着LLM能力提升与协作机制完善，有望为用户带来更优质的视频消费体验。