
> 论文原文：*A Survey of Personalization: From RAG to Agent*
> 作者：Xiaopeng Li, Pengyue Jia, Derong Xu, Yi Wen, Yingyi Zhang, Wenlin Zhang, Wanyu Wang（香港城市大学 & 华为诺亚方舟实验室）
> 版本：arXiv:2504.10147v1  [cs.IR]  14 Apr 2025
> 资源：<https://github.com/Applied-Machine-Learning-Lab/Awesome-Personalized-RAG-Agent>

---

## 0. 一句话总结

这是一篇**关于"个性化（Personalization）如何融入 RAG 与 LLM 智能体"的系统性综述**。它把个性化拆解为 RAG 的三个阶段（检索前 / 检索 / 生成）与智能体的三类能力（理解 / 规划执行 / 生成），逐一综述方法、数据集与评测，并指出规模化、评测、隐私等开放挑战。

> 对"个人知识库（PKB）"而言，本文回答了一个核心问题：**如何用 RAG + Agent 技术，把"用户个人的数据/偏好/记忆"注入到检索与生成中**，从而构建真正"懂我"的知识系统。

---

## 1. 研究背景与动机

- LLM 存在**过时回答、幻觉**等问题，RAG 通过引入外部语料（API、科学库、领域库）缓解。
- RAG 的每个阶段天然对应智能体的工作流（查询改写≈语义理解；检索≈规划执行；生成≈执行），二者在结构上正在收敛。
- 但**现有综述要么只讲通用 RAG，要么只讲 Agent**，缺少对"个性化如何嵌入 RAG / Agent"的横向对比。
- 本文贡献：
  1. 系统梳理个性化在 RAG（pre-retrieval / retrieval / generation）与 Agent（understanding / planning&execution / generation）各环节的文献；
  2. 汇总各子任务的数据集、Benchmark 与评测指标；
  3. 指出局限与未来方向。

---

## 2. 什么是"个性化"（Personalization）

在 RAG / Agent 语境下，个性化 = 在管线各阶段注入**用户专属信息**，使输出贴合个人偏好。按信息来源分为四类：

| 类型 | 说明 |
|---|---|
| **Explicit User Profile（显式用户画像）** | 人口属性（年龄、地域、性别、教育）、社交关系等 |
| **User Historical Interactions（历史交互）** | 浏览、点击、购买等行为数据，用于推断兴趣 |
| **User Historical Content（历史内容）** | 聊天记录、邮件、评论、社媒等隐式偏好来源 |
| **Persona-Based Simulation（人设模拟）** | 用 LLM Agent 模拟、生成个性化交互 |

---

## 3. 形式化框架

个性化注入 RAG 的过程被形式化为：

```
g = G( R( Q(q, p), C, p ), prompt, p, θ )      (1)
```

- `p`：个性化信息
- **Pre-retrieval**：`q* = Q(q, p)` —— 用 `p` 改写/扩展查询（式 2）
- **Retrieval**：`D* = R(q*, C, p)` —— 用 `p` 从语料 `C` 检索相关文档（式 3）
- **Generation**：`g* = G(D*, prompt, p, θ)` —— 结合检索结果与 `p` 生成（式 4）

要点：**个性化信息 `p` 会同时影响检索前、检索中、生成三个阶段**；而 Agent 被视为 RAG 的一种"特化应用"，注入方式类似。

---

## 4. 个性化在 RAG 各阶段的集成（核心）

### 4.1 Pre-retrieval（检索前）

目标：在检索前增强/改写原始查询，公式 `q* = Q(q, p)`。

- **Query Rewriting（查询改写）**
  - *Direct*：直接用模型改写（CLE-QR、CGF、PEARL、RecGPT 式 prompt 改写）。
  - *Auxiliary*：借助检索/推理/外部记忆（Least-to-Most、ERAGent、CoPS、Agent4Ranking、FIG、BASES）。
- **Query Expansion（查询扩展）**
  - *Tagging-based*：基于标签网络（Gossple、SoQuES、Bibsonomy 式）。
  - *Else*：基于搜索历史/社交网络（Axiomatic PQEC、WE-LM、PSQE、PQEWC）。
- **Others**：查询消歧、自动补全（Bobo、PSQE 等）。
- **讨论**：改写适用于"模糊/欠指定"查询（尤其多轮对话）；扩展适用于"相关但不完整"的查询。

### 4.2 Retrieval（检索）

目标：`D* = R(q*, C, p)`，从语料取最相关文档。分三步注入个性化：

- **Indexing（索引）**
  - 传统：稀疏编码（TF-IDF、BM25）/ 稠密编码（BERT、Siamese、LLM encoder）。
  - 个性化：PEARL 用 DeBERTa 编码历史→聚类出"共享个性化索引"；KG-Retriever（知识图谱层+文档层）、EMG-RAG（可编辑记忆图谱）、**PGraphRAG（用户中心知识图谱）** 把 KG 引入索引。
- **Retrieval（检索）**
  - *Dense*：把偏好/上下文编码进向量（MeMemo、RECAP、LAPDOG、PersonaLM、UIA、XPERT、USER-LLM、PER-PCS…）。
  - *Sparse*：给相关词项加权（OPPU 用 BM25、PAG、PGraphRAG 的图 BM25）。
  - *Prompt-based*：用用户专属 prompt 引导检索（LAPS、UniMP）。
  - *Others*：RL 优化检索策略（Salemi et al.）、参数化检索（PersonalTM、Zhang et al.）。
- **Post-retrieval（检索后）**
  - *Re-ranking*：PersonaRAG（用户中心 Agent 重排）、UniMS-RAG 评分+注意力掩码。
  - *Summarization*：角色扮演 Agent 总结检索历史（Zhang et al.）。
  - *Compression*：AutoCompressor、FIT-RAG 压缩上下文——**个性化方向尚少，是未来机会**。

### 4.3 Generation（生成）

目标：`g* = G(D*, prompt, p, θ)`。分显式 / 隐式两类偏好注入：

- **Explicit Preferences（显式）**
  - *Direct-integrated Prompting*：直接把画像/行为塞进 prompt（P2、Character Profiling、OpinionQA、Cue-CoT、TICL）。
  - *Summary-augmented Prompting*：先总结用户意图再注入（GPG、ONCE、LLMTreeRec、KAR、Matryoshka）——解决长历史噪声 / 稀疏数据问题。
  - *Adaptive Prompting*：自动生成个性化 prompt（Li et al.、RecGPT、PEPLER-D、GRAPA、SGPT、PFCL）。
- **Implicit Preferences（隐式，内化进参数 θ）**
  - *Fine-tuning*：以 **LoRA** 为主（PLoRA、LM-P、MiLP、OPPU、PER-PCS、Review-LLM）；另有 UserIdentifier、UserAdapter（prefix tuning）、HYDRA（user-specific head）、边缘设备微调（PocketLLM）、小大模型协同（CoGenesis）。
  - *Reinforcement Learning*：P-RLHF、P-SOUPS（多目标 RL）、PAD（解码时对齐）、REST-PG、RewriterSlRl。
- **讨论**：显式可解释但受模型能力与噪声干扰；隐式更细粒度但训练/算力成本高——按场景与资源权衡。

---

## 5. 从 RAG 到个性化智能体（"Personalized RAG++"）

作者把 Agent 框架看作 **"个性化 RAG++"**：持久记忆替代静态索引，工具 API 充当动态知识连接器，支持超越"一次性检索"的人机对齐交互。

### 5.1 Personalized Understanding（理解）
- **User-profile understanding**：建模用户偏好/上下文/意图（Xu et al. 物理世界理解、健康 Agent Abbasian et al.）。
- **Role understanding**：角色扮演能力（RoleLLM、Character-LLM、性格保真评测）。
- **User-role joint understanding**：用户×角色联合（SocialBench、MMRole、Neeko、中文 CharacterEval）。

### 5.2 Personalized Planning & Execution（规划执行）
- **Memory Management（记忆管理）**：EMG-RAG（可编辑记忆图谱）、Park et al.（记忆流+反思）、RecAgent（分层记忆）、TravelPlanner+。
- **Tool / API Calling（工具调用）**：VOYAGER（终身技能库）、PUMA（电商自适应 API 编排）、移动 UI few-shot 工具学习。
- 两大策略：① 记忆增强架构；② 工具/API 集成。

### 5.3 Personalized Generation（生成）
- **Alignment with User Fact**：事实一致性、防幻觉（Character-LLM、量化对性格一致性的影响、多模态一致性）。
- **Alignment with User Preferences**：性格/价值/风格对齐（RoleLLM、心理量表数据集、SocialBench）。

### 5.4 Discussion（各阶段挑战）
- Understanding：实时适应与泛化不足（多会话、演化偏好；文化差异如 CharacterEval）。
- Planning&Execution：复杂环境可扩展性差、"冷启动"问题、依赖预定义 API 分类。
- Generation：过拟合用户画像→放大认知偏见、缺乏伦理边界检测。

---

## 6. 数据集与评测（Table 2 摘要）

| 阶段 | 指标类别 | 代表数据集 |
|---|---|---|
| Pre-retrieval | Textual Quality / IR / Classification | Avocado Email、Amazon Review、AOL、del.icio.us、CiteULike、Wikipedia |
| Retrieval | Textual / IR / Classification | TOPDIAL、Pchatbot、DuLemon、PersonalityEvd/Edit、LiveChat |
| Generation | Textual / Classification / Regression | **LaMP、Long LaMP**、Dulemon、PGraphRAG、AmazonQA、Reddit、MedicalDialogue |
| Agent | Textual / IR / Classification / Others | RICO、RoleBench、SocialBench、MMRole、ChatHaruhi、PersonalWAB、TravelPlanner+ |

指标类型：文本质量（BLEU/ROUGE/METEOR）、信息检索（MAP/MRR/Recall）、分类（Accuracy/F1）、回归（MAE/RMSE）、其他（Fluency、Pass@k、Executability）。

---

## 7. 挑战与未来方向

1. **个性化 vs 可扩展性**：个性化数据抬高计算复杂度 → 轻量自适应嵌入、混合框架。
2. **有效评测个性化**：BLEU/ROUGE/人工评测难以捕捉"动态偏好对齐" → 需面向长期满意度、适应性的专用 Benchmark。
3. **设备-云协同保护隐私**：敏感个人数据 → 端侧小模型处理 + 云端 LLM 提供广域知识（呼应 GDPR）。
4. **个性化 Agent 规划**：目前 Agent 规划仍早期，个性化支持稀缺 → 把个性化注入 GUI Agent / 领域 Agent。
5. **伦理与一致性**：数据偏见、画像隐私、跨阶段一致性 → 伦理护栏 + 隐私保护 + 跨阶段优化。

---

## 8. 与"个人知识库（PKB）"的关联（重点解读）

本综述虽以"个性化"为题，但其技术栈**几乎就是构建 PKB 的方法论全集**，对应关系如下：

| PKB 需求 | 本文对应技术 |
|---|---|
| 个人数据组织与索引 | Pre-retrieval / Indexing；**PGraphRAG、KG-Retriever、EMG-RAG**（知识图谱 + 个人记忆图谱） |
| "按我的偏好找资料" | Dense/Sparse/Prompt-based Retrieval + Post-retrieval Re-ranking |
| "用我的口吻/知识回答" | Generation 的显式（summary-augmented prompt）与隐式（LoRA / P-RLHF）偏好注入 |
| 长期记忆与持续进化 | Agent 的 **Memory Management**（记忆流、可编辑记忆图谱、分层记忆） |
| 调用个人工具/API | Agent 的 Tool / API Calling（VOYAGER、PUMA） |
| 隐私与本地化 | 挑战 3"设备-云协同"（端侧小模型 + 云端 LLM） |

**启示**：若要做"个人知识库 + AI"，可将其视为"Personalized RAG Agent"的实例化——索引阶段用个人知识图谱（呼应之前下载的 PKG 综述），检索/生成阶段注入用户画像与历史，Agent 层用记忆管理 + 工具调用实现持续个性化。两篇 PKG survey 与本文可互为补充：PKG 解决"知识如何结构化"，本文解决"知识如何被个性化地使用"。

---

## 9. 关键资源与延伸阅读

- 论文配套清单（持续更新）：<https://github.com/Applied-Machine-Learning-Lab/Awesome-Personalized-RAG-Agent>
- 与本目录其他文献的关系：
  - *An Ecosystem for Personal Knowledge Graphs: A Survey and Research Roadmap*（Skjæveland et al., 2024）—— PKG 生态与定义；
  - *A Comprehensive Survey of Personal Knowledge Graphs*（Chakraborty & Sanyal, 2023）—— PKG 综合 survey（付费墙，未下载）；
  - *国内个人知识管理研究述评与展望*（2015）—— PKM 行为/管理视角。
- 文中高频被引方法（值得精读）：PEARL、PGraphRAG、EMG-RAG、KG-Retriever、LaMP / Long LaMP（个性化生成 Benchmark）、VOYAGER、RoleLLM、P-RLHF。

---

## 10. 阅读笔记与待思考

- [ ] 本文把"个性化"作为统一主线，比单纯罗列 RAG 方法更有体系；可借鉴其"pre-retrieval / retrieval / generation / agent"四段式来组织 PKB 技术调研。
- [ ] 文中"个性化 vs 隐私"与"设备-云协同"对本地个人知识库（本地 embedding + 云端推理）有直接指导意义。
- [ ] Post-retrieval 的个性化压缩、Agent 规划个性化，是本文明确点出的空白方向，可作为 PKB 研究的切入点。
- [ ] 是否值得把本文的 Table 1（方法分类总表）整理成速查表，便于后续论文归类？


论文原文：A Survey of Personalization: From RAG to Agent 作者：Xiaopeng Li, Pengyue Jia, Derong Xu, Yi Wen, Yingyi Zhang, Wenlin Zhang, Wanyu Wang（香港城市大学 & 华为诺亚方舟实验室） 版本：arXiv:2504.10147v1  [cs.IR]  14 Apr 2025 资源：https://github.com/Applied-Machine-Learning-Lab/Awesome-Personalized-RAG-Agent

个人知识库论文学习：个性化RAG与智能体综述

把"用户个人的数据/偏好/记忆"注入到检索与生成中

人工智能

算法

大数据

这篇论文系统综述了如何将个性化融入RAG和LLM智能体技术，提出了个性化在检索前、检索中和生成三阶段的实现方法，并探讨了智能体的理解、规划和执行能力。研究汇总了相关数据集和评测指标，指出了规模化、隐私保护等挑战，为构建"懂我"的知识系统提供了技术框架。

知识图谱

代码解释

智能体

Agent

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

个人知识库论文学习：个性化RAG与智能体综述-腾讯云开发者社区-腾讯云

个人知识库论文学习：个性化RAG与智能体综述

个人知识库论文学习：个性化RAG与智能体综述

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐