视频推荐系统作为人工智能领域最具普及性与影响力的应用之一，深刻塑造了全球数十亿用户的内容消费模式与文化趋势。传统的单模型推荐系统 (Single-model recommenders) 侧重于优化静态参与度指标，在应对现代推荐平台日益增长的动态需求时，其局限性愈发凸显。为此，多智能体架构 (Multi-agent architectures) 正在重新定义视频推荐系统在用户交互与数据适配中的服务、学习及演进范式。此类基于智能体的系统通过协调多个专门化智能体——分别承担视频理解、逻辑推理、记忆检索及反馈处理等职责——从而实现精准且具可解释性的推荐方案。

本综述系统性地追溯了多智能体视频推荐系统 (MAVRS) 的演进历程。本文融合了多智能体系统、基础模型及对话式人工智能 (Conversational AI) 的核心思想，聚焦于由大语言模型 (LLM) 驱动的 MAVRS 这一新兴前沿领域。我们构建了协作模式的分类体系 (Taxonomy)，并深入分析了从短视频到教育平台等不同视频域中的协调机制。为阐述这些模式，我们深入剖析了具有代表性的技术框架，包括早期的多智能体强化学习 (MARL) 系统（如 MMRF）以及近期基于 LLM 驱动的架构（如 MACRec 和 Agent4Rec）。此外，本文还概述了系统在可扩展性、多模态理解及激励对齐 (Incentive alignment) 等方面面临的开放性挑战，并前瞻性地提出了诸如“强化学习-LLM 混合系统”、终身个性化 (Lifelong personalization) 以及自优化推荐系统等未来研究方向。

1 引言与动机 (Introduction and Motivation)

推荐系统 (Recommender systems, RSs) 已成为用户在互联网海量视频资源中导航的核心工具 [1, 27, 39]。它们通过构建个性化信息流提升用户满意度，并在短视频娱乐、音乐流媒体、直播及教育媒体等平台上支撑着注意力经济。 传统的推荐系统流水线，无论是协同过滤 [24, 38]、深度序列模型 [23, 43]，还是强化学习优化器 [29, 44]，大多作为单智能体系统 (Single-agent systems) 运行，旨在优化单一的全局目标（如点击率或观看时长）。这种范式不仅忽略了多样性、公平性和可解释性等竞争性目标 [5, 63]，还阻碍了系统适应现实环境中异构内容、动态演进的用户意图以及复杂反馈回路等特性 [18, 34]。 近期，多智能体学习的进展引入了去中心化与协作范式，将推荐过程分解为多个交互角色。每个智能体可以专注于特定任务（如感知、推理或反馈整合），并通过通信与协调共同优化共享目标 [48, 50]。这些进展表明，多智能体设计能够解决更复杂的用户问题，从而提升推荐质量与用户参与度 [3]。 与此同时，基础模型 (Foundation Models, FMs)（基于大规模语料库训练的大语言模型及多模态模型）的兴起，改变了推荐系统进行表征、推理与交互的方式 [4, 14, 46]。基础模型赋予了系统零样本泛化能力 [20, 37]、自然语言交互界面，以及跨文本、视觉和音频的跨模态推理能力。当基础模型与多智能体协调机制相结合时，便构成了智能体化推荐系统 (Agentic recommender systems) 的基础；此类系统能够自主进行规划、反思、工具调用，并与其他智能体协作以达成目标 [19, 48]。 尽管进展迅速，但该领域仍缺乏一个统一的分类体系，能够衔接传统的多智能体强化学习与这些新兴的、跨越不同视频生态系统的基础模型范式 [54, 60]。先前的综述研究要么侧重于多智能体强化学习（MARL），要么关注传统推荐系统中的基础模型，或是通用多智能体系统中的协作机制，导致在理解这些技术流派如何在现代推荐系统中融合方面存在空白 [65]。总体而言，本研究旨在为多智能体视频推荐系统 (MAVRS) 领域搭建桥梁，为构建自进化、透明且可信的下一代视频推荐系统描绘路径。

为什么选择视频推荐？ (Why Video Recommenders)

尽管本文提出的某些底层原理可以推广至其他推荐领域，但现代视频推荐系统的大规模与高影响力特征，使其成为开发和验证 LLM 驱动的多智能体系统的理想试验场。传统的架构或许足以处理文本或产品 ID，但视频推荐面临独特的“模态鸿沟 (Modality gap)”，这使得智能体化分解 (Agentic decomposition) 成为必然选择。 与可以直接分词并输入 LLM 上下文窗口的文本不同，视频具有高维、时序和多模态的特征。目前尚无单一的基础模型能够在像素级别直接摄取用户的全部长期视频观看历史并进行推理。多智能体系统通过将感知 (Perception) 与推理 (Reasoning) 解耦来解决这一难题：专门的“感知智能体”将原始视频压缩为语义摘要，而“推理智能体”利用这些轻量级的文本表征进行逻辑密集的个性化处理。这种模块化设计使 MAVRS 能够扩展视频理解的深度，而不会陷入困扰单模型生成式方法的上下文长度限制（Context limits）。