Dear Algo：面向统一搜索与推荐的精确优先智能体意图层

论文研究Threads平台上的Dear Algo系统的agentic intent layer，该系统将用户显式、推断、负面及复合意图编译为可执行计划，用于搜索结果和推荐结果。在300对公开请求-物品的盲审中，严格分类LLM评判门控达到94.4%精确相关精度；全配置相比基线多产生1.11个合格候选。在候选随机化的服务路径研究中，用户加权不相关分享降低1.97个百分点，精确相关分享提高2.24个百分点。

此前搜索和推荐通常分离，意图编码方式不同。Dear Algo通过单一意图层统一处理多种意图并驱动推荐，采用精确优先评估框架，实现了搜索和推荐模式的无需统一模型或服务路径的融合，且显示了实际部署中精确度的提升。

Dear Algo的意图层将显式、推断、负面和复合意图编译为可执行计划，调用传统检索和可选的语义或多模态重排序。意图到检索的契约共享，但无需统一的模型或服务路径。评估采用严格分类LLM作为评判器进行门控，以精确相关率为主要指标，在随机化服务路径研究中隔离重排序器路径的效果。

对于产品，Dear Algo展示了用户可以用自然语言指令（如“更多NBA新闻”）直接调整推荐流，提升可控制性和相关性。该系统可能减少对统一模型或单一服务路径的依赖，降低工程复杂度。实验显示精确相关率提升和不相关率下降，表明用户体验可能改善。但影响可能受限于Threads平台特性，且需要进一步验证跨场景的泛化性。

• 在现有搜索和推荐产品中引入意图层，允许用户以自然语言表达偏好（如“更少政治”），并提供即时反馈机制。
• 采用精确优先的评估框架，建立类似LLM评判器的质量门控，以提升推荐结果的精确性。
• 探索将显式、推断、负面和复合意图结合到检索计划中，用于优化个性化推荐和搜索结果。

• Dear Algo在Threads之外的平台（如电商、新闻）上是否同样有效？
• 精确优先评估框架是否适用于所有搜索和推荐场景，还是仅适用于开放领域？
• 评估中的LLM评判器是否存在偏见，其可靠性是否得到充分验证？
• 意图层的实现成本和延迟影响如何？实际部署中是否存在性能瓶颈？