PersonaTrail 與 PACMem：讓 AI 代理人從瀏覽歷史學懂你的偏好

大型語言模型的快速發展，讓網路代理人（web agent）能夠自主執行越來越複雜的任務。但在實際應用中，使用者經常只給出模糊的指令，代理人必須從使用者的原始瀏覽歷史中推斷出缺少的脈絡資訊。

現有基準的不足

研究團隊指出，現有的基準測試無法捕捉這種個人化需求，因為它們不是將任務限制在完全明確的提示，就是把網路互動歷史簡化成過於抽象的形式。

PersonaTrail 與 PACMem 登場

為了解決這個問題，研究團隊提出了 PersonaTrail，這是一個針對個人化網路代理人的基準測試，在受控的開放網路環境中進行評估。PersonaTrail 利用真實的瀏覽軌跡作為使用者歷史，評估代理人推斷使用者偏好、以及從過去瀏覽會話中回憶資訊的能力。

團隊進一步提出了 PACMem（Preference-Aware Contextual Memory）架構，這套方法將原始瀏覽歷史分解為兩種結構化記憶：事實記憶（factual memories）用於摘要單次會話，偏好記憶（preference memories）則提煉出重複出現的行為模式。在推論階段，代理人會從這些記憶中檢索最相關的條目，來引導個人化的導航行為。

實驗結果

廣泛的實驗結果顯示，PACMem 在兩項任務上都持續優於現有的記憶基準方法，為個人化網路代理人開創了新的可能性。

延伸閱讀

• LLM 助力 Windows 漏洞分析：Symbolicate‑Enrich‑Sample 管線概述與實驗結果
• 利用基因演算法對抗 LLM 逆向分析：GhidraMCP 安全漏洞新探
• 「跨表面注入攻擊」：工具式 LLM 代理的雙通道安全盲點與適應式防禦策略

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。