推荐系统引入 LLM 做 User Profiling，可行性和挑战是什么？

先这样答

可行，但不适合让 LLM 单独承担全部用户画像工作。一个直接方案是把用户行为序列转成自然语言，再让 LLM 生成画像摘要。这样得到的画像比向量更直观，也更容易解释用户为什么可能喜欢某类内容。

它还能帮助发现行为之间的隐性兴趣关联。比如，用户看过的内容不一定属于同一主题，但组合起来可能反映出一个更高层的兴趣方向。这个方案有三个主要挑战。第一是成本。推荐系统面对亿级用户，需要分层处理。活跃用户可以实时更新，长尾用户适合批量处理。第二是时效。画像摘要本质上是快照，可能跟不上用户兴趣的实时变化。第三是隐私。行为转成文本后，敏感信息可能更容易暴露。

落地时，我会把 LLM 画像和 embedding 画像混合使用。LLM 画像负责提供可读的摘要和关联信息，embedding 画像继续承担适合向量表示的部分。这样可以结合两种画像的特点，也能控制 LLM 的使用范围。

面试官会怎么追问

• 「为什么不直接用 embedding 做用户画像？」
  embedding 适合表示用户行为和兴趣，但人不容易直接理解向量表达的内容。LLM 生成的画像摘要更直观，也更方便解释用户为什么被判断为具有某类兴趣。两者可以混合使用，而不是二选一。

• 「亿级用户下，你会怎么控制 LLM 的成本？」
  我会按用户活跃度分层。活跃用户需要更及时的画像，可以实时更新。长尾用户不必频繁调用 LLM，可以采用批量处理。

• 「画像摘要跟不上实时兴趣时，方案还能用吗？」
  能用，但不能把摘要当成唯一画像来源。摘要属于快照，可能滞后于用户最近的行为。落地时应混合 LLM 画像和 embedding 画像，让不同画像承担不同部分。

回答的坑

• 只讲 LLM 能发现兴趣关联，却不提亿级用户下的成本分层。
• 只讲画像可解释，却不提文本化行为带来的隐私暴露风险。