MARS：用于重复订单外卖推荐的多智能体重排序

MARS是一个模块化多智能体重排序框架，专门用于重复订单外卖推荐。它结合LightGCN全局信号、Swing局部证据、地理过滤和LLM推理，分两阶段（菜品预测→商家排序）进行推荐。在Delivery Hero的两个基准上评估，证明预训练LLM与轻量协同检索结合具有竞争力。

此前推荐系统常依赖单一模型或简单混合；MARS展示了将协同过滤与LLM推理在透明管道中结合的有效性，专门针对重复订单场景，为外卖平台推荐提供了可验证的新方案。

MARS采用粗到细策略：第一阶段用LightGCN和Swing提取全局与局部协同信号，结合地理过滤预测用户可能偏好的菜品类别；第二阶段用提示驱动LLM基于行为、时间和地理上下文对候选商家重排序。

对于外卖平台，MARS可嵌入推荐流水线，提升重复订单推荐的准确度和用户满意度，但需要部署LLM推理（增加成本）。框架模块化，易于替换组件，可复用。

• 外卖平台可采用MARS框架优化用户'再来一单'推荐场景
• 将MARS的地理解析与LLM推理步骤集成到现有推荐系统
• 为其他重复消费场景（如咖啡订购、杂货补货）提供参考架构

• MARS在非重复订单（新用户或首次尝试的商家）上的表现如何？
• LLM推理的延迟和成本是否满足线上实时推荐要求？
• 框架在不同文化或地理区域的外卖数据上泛化能力如何？