# Shape Your Feed: An LLM-based Agentic System for Conversational Recommendation
> Ficha editorial pública de Research IA. Estado: Lectura primaria completa. La interpretación editorial no sustituye la fuente primaria.

- Página canónica: https://luiseduardodemiguel.com/research-ia/papers/shape-your-feed
- Fuente primaria: https://arxiv.org/abs/2608.06632
- Versión leída: v1
- Fuente comprobada: 2026-08-20 · método, resultado y límites revisados; fuente primaria enlazada
- Autores: Ziyun Xu, Bosen Ding, Yue Zhang, Ji Qi, Qingyuan Song y colaboradores; sistema industrial de recomendación
- Fecha del corte: 06 AGO 2026
- Área: DISCOVERY · RECOMENDACIÓN · AGENTES

## Tesis y contexto

Shape Your Feed combina texto, voz y controles de interfaz para detectar intención, actualizar un perfil semántico persistente y rerankear o podar candidatos en tiempo real.

- Problema: Los recomendadores pasivos infieren preferencias de comportamiento aunque el usuario pueda expresar con precisión qué quiere más o menos en ese momento.
- Por qué importa: La recomendación agentic convierte el discovery en una conversación controlable y conecta la evolución del perfil con feedback humano y A/B testing de producción.

## Evidencia reportada

- **reported-result**: El módulo de alignment alcanza 98,85% de accuracy y se evalúa con experimentos A/B online sobre tráfico de producción. [localizador](https://arxiv.org/html/2608.06632v1#S3)

## Lectura y límite

- Método: Organiza tres flujos: percepción de intención multimodal, serving con reranking y pruning sobre un Semantic Profile persistente, y self-evolution con DPO y un ensemble LLM-as-a-Judge.
- Límite: Los detalles de la evaluación online y el sistema de producción no son equivalentes a una receta abierta; un perfil semántico persistente también puede amplificar errores de interpretación o preferencias antiguas.
- Confianza editorial: Media
- Limitación: La accuracy de alignment y el A/B de producción miden proxies del feed; no permiten atribuir por sí solos cambios de bienestar, diversidad o control del usuario.
- Limitación: Los resultados dependen de la política de etiquetado y del módulo desplegado; un cambio de inventario, cohortes o exposición puede alterar el efecto.

## Localizadores de evidencia
- [Fuente primaria · canonical](https://arxiv.org/abs/2608.06632): tipo abstract
- [Arquitectura · HTML](https://arxiv.org/html/2608.06632v1#S3): tipo section
- [HTML · fuente navegable](https://arxiv.org/html/2608.06632): tipo abstract

## Próxima prueba

- ¿Un módulo de alignment configurable mejora relevancia sin reducir diversidad ni aumentar exposición no deseada?
- Métrica: Relevancia, diversidad, satisfacción, edición de preferencias y exposición a contenido no deseado.
- Regla de parada: Parar si la diversidad cae 5% o si la exposición no deseada aumenta 1 punto porcentual.

## Recursos reproducibles
- [HTML · fuente navegable](https://arxiv.org/html/2608.06632v1)

## Enlaces relacionados

- [Mechanism Design for Generative Engine](https://luiseduardodemiguel.com/research-ia/markdown/papers/mechanism-design-generative-engines)
- [MetaStrategy](https://luiseduardodemiguel.com/research-ia/markdown/papers/metastrategy-ranking)
- [MNC](https://luiseduardodemiguel.com/research-ia/markdown/papers/mnc)