摘要
针对现实应用中用户行为偏好的异质性挑战，本文提出一种个性化代理强化学习框架。核心方法包括个性化锚点奖励解耦策略优化（PARPO），将通用任务质量奖励与个性化偏好奖励解耦；以及偏好对齐技能进化图记忆（PSGM），支持个性化监督与技能检索。该框架构建了偏好识别、策略优化与结构化技能积累的闭环，在多个基准测试中显著优于现有记忆与强化学习基线。
AI 推荐理由
论文提出技能进化图记忆与自我优化框架，核心在于代理的自适应进化与个性化策略改进。
研究机构
University of Science and Technology of China
Alibaba Group
论文信息