隐式偏好的统计先验：将个人代理中的技能选择解耦为本地调控机制

随着大语言模型能力提升，依赖远程 API 和本地技能的本地个人代理成为新范式。面对技能快速扩张，使代理学习并适应用户隐式偏好成为关键挑战。然而，本地部署限制排除了复杂的集中式选择算法，亟需轻量级本地偏好调控机制。本文提出一种新架构，严格解耦统计偏好学习与语义意图解析，利用本地统计结果影响并调节远程大模型的选型决策。评估表明，该解耦方法实现了最低的累积遗憾和最高的测试准确率，显著优于传统记忆增强型代理。