Auto-RecSys：利用自主研究智能体构建工业级推荐系统
TLDR
Auto-RecSys：面向工业级推荐模型的自主研究系统，支持并行、可恢复长周期实验，采用分布式执行、集中记忆与双循环自进化。
评分理由
The paper addresses important scalability and robustness challenges in autonomous research for industrial recommendation systems, with thoughtfully designed system components. However, the abstract is truncated and lacks concrete quantitative results, baselines, or explicit limitations, making it difficult to fully assess the empirical claims.
Read-first 评分解释
综合优先阅读分 53.7，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 66。
研究版图角色
前沿论文
排序敏感性
稳定性：volatile；排名波动范围：101。
关键词评分
深度分析
创新点
- Auto-RecSys自主研究系统，用于工业级推荐模型上的长时间跨度实验
- 分布式异步执行，支持跨多台服务器并行探索，以克服长反馈回路
- 集中式跨服务器记忆，支持跨会话和故障的持久且可恢复执行
- 认知-程序分离：自然语言技能文件引导LLM推理，确定性脚本强制操作正确性
- 双回路自进化架构：执行进化回路积累模型专属playbook，想法进化回路利用实验结果指导后续构思
方法
Auto-RecSys整合了三种框架设计——分布式异步执行、集中式跨服务器记忆和认知-程序分离——从而在工业级推荐模型上运行并行、可恢复的实验。它采用双回路自进化架构，从失败尝试和成功管道中提炼操作playbook，同时实验结果指导进一步构思。在推荐模型上的评估衡量每个实验周期所需的人工时间和执行可靠性。
关键结果
Auto-RecSys显著减少了每个实验周期所需的人工时间，并随着playbook的成熟提高了执行可靠性。