Sortify: LLM-gesteuerter Ranking-Agent steigert GMV um bis zu 12,5 %

In einer neuen Veröffentlichung auf arXiv (2603.27765v1) wird Sortify vorgestellt – der erste vollautonome, von großen Sprachmodellen (LLM) gesteuerte Ranking-Optimierungsagent, der in einem produktiven Empfehlungssystem eingesetzt wird. Der Agent löst das klassische Problem der Einflussverteilung bei Rankings, indem er die Optimierung als kontinuierlichen „Influence Exchange“ betrachtet und damit die gesamte Schleife von Diagnose bis zur Parameterbereitstellung ohne menschliches Eingreifen schließt.

Sortify nutzt ein duales Kanalmodell, das auf Savage’s Subjective Expected Utility (SEU) basiert. Der „Belief Channel“ korrigiert die Offline‑Online‑Transferprobleme, während der „Preference Channel“ die Strafanpassungen für Constraints steuert. Ein LLM‑Meta‑Controller agiert auf Framework‑Ebene und verwaltet die hochrangigen Parameter, anstatt sich in der niedrigen Ebene der Suchvariablen zu verlieren. Zusätzlich speichert ein persistentes Memory‑DB mit sieben relationalen Tabellen das Wissen aus jeder Optimierungsrunde, sodass das System kontinuierlich aus vergangenen Erfahrungen lernt.

Das Kernmetrikergebnis, der „Influence Share“, bietet eine vollständig aufaddierbare Messung, bei der die Beiträge aller Faktoren exakt 100 % ergeben. In zwei südostasiatischen Märkten hat Sortify beeindruckende Resultate erzielt: In Country A stieg der GMV von –3,6 % auf +9,2 % innerhalb von sieben Runden, wobei die Spitzenbestellungen um +12,5 % zunahmen. In Country B zeigte ein kaltes Start‑Deployment einen GMV/UU‑Anstieg von +4,15 % und einen Werbeeinnahmenzuwachs von +3,58 %.