Personalisierte KI-Agenten: Grundlagen, Bewertung und Zukunftsperspektiven

Große Sprachmodelle ermöglichen Agenten, die logisch denken, planen und mit Werkzeugen sowie Umgebungen interagieren, um komplexe Aufgaben zu bewältigen. Wenn diese Agenten über längere Interaktionszeiträume hinweg agieren, wird ihre Wirksamkeit zunehmend von der Fähigkeit bestimmt, ihr Verhalten an einzelne Nutzer anzupassen und die Kontinuität über die Zeit hinweg zu wahren. Daraus entsteht die neue Klasse der personalisierten, LLM‑gestützten Agenten.

In dieser Übersicht wird die Forschung zu personalisierten LLM‑Agenten systematisch zusammengefasst. Die Autoren gliedern die Literatur in vier miteinander verknüpfte Komponenten: Profilmodellierung, Gedächtnis, Planung und Ausführung von Aktionen. Durch die Analyse von Methoden wird gezeigt, wie Nutzersignale erfasst, weitergegeben und in den Entscheidungsprozess integriert werden, welche Wechselwirkungen zwischen den Komponenten bestehen und welche häufigen Designkompromisse auftreten.

Weiterhin werden Bewertungskriterien und Benchmarks vorgestellt, die speziell auf personalisierte Agenten zugeschnitten sind. Anwendungsbeispiele reichen von genereller Assistenz bis hin zu spezialisierten Fachbereichen. Abschließend skizzieren die Autoren Forschungs- und Einsatzperspektiven, die den Weg von Prototypen zu skalierbaren, realweltlichen Assistenten ebnen.

Die Arbeit liefert ein strukturiertes Rahmenwerk, das Entwickler und Forscher nutzen können, um personalisierte LLM‑Agenten zielgerichtet zu entwerfen und zu evaluieren. Damit wird ein klarer Fahrplan für die Entwicklung benutzerorientierter, adaptiver und robuster Agentensysteme geschaffen, der die Weiterentwicklung von Prototypen zu breit einsetzbaren Assistenzlösungen beschleunigt.