arXiv cs.AI· Junlin He, Junzhang Zhu, Yudong Li, Yihong Tang, Xuefeng Jiang, Wei Ma, Chengxiang Zhuo, Zang Li·· 11 小时前AI 评分38
TGR-EvoDAG：面向腾讯生成式推荐的 DAG 多智能体代码进化框架
TGR-EvoDAG: A DAG-based Multi-Agent Code Evolution Framework for Generative Recommendation on Tencent
AI 导读
TGR-EvoDAG 是面向生成式推荐（GR）的多智能体代码进化框架，将代码进化建模为 DAG 以保留多条进化分支并合并互补创新，并引入阶段感知成本规划与下游主动协同适配。
正文 · AI 翻译
摘要：大语言模型（LLM）智能体已实现面向算法发现的自动化代码演化。然而，当前面向序列推荐的递归自我改进（RSI）研究面临两难：通用框架缺乏领域特定反馈，而推荐系统专用框架依赖线性演化。关键在于，将二者简单结合后应用于生成式推荐（GR）时会失效。与端到端模型不同，GR 依赖模块级联流水线（分词、预训练与对齐）。在此范式下，现有演化方法存在以下问题：i）成本盲视，因忽视阶段非对称的再训练开销而浪费预算；ii）评估短视，丢弃了在下游适配前暂时导致指标回退、但颇具前景的上游创新。为弥合这些差距，我们提出 TGR-EvoDAG，一个为 GR 量身定制的多智能体代码演化框架。TGR-EvoDAG 将代码演化建模为有向无环图（DAG），以维护多条演化分支并合并互补创新，将先进搜索与丰富的 GR 诊断反馈统一起来。我们进一步引入阶段感知成本规划以优化 GPU 小时预算，并采用主动下游协同适配来应对暂时回退并释放跨阶段收益。在公开的 Amazon 数据集上，TGR-EvoDAG 首次实现了完整 GR 流水线的自主演化，相较最强基线将离线指标最高提升 37.4%，并将 Agent4Rec 模拟用户满意度提升 19.7%。此外，在腾讯大规模商业媒体平台的工业部署中，演化后的 GR 在离线 Hit@1 上取得 12.16% 的相对提升，在线点击率（CTR）取得统计显著的 0.40% 增长。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32326 [cs.AI] |
| （或 arXiv:2610.32326v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32326 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Junlin He [查看邮箱]
[v1]
2026年10月23日星期五 08:23:42 UTC（2,696 KB）
来源：arXiv cs.AI · arxiv.org