ProfiLLM：結合大型語言模型與效用對齊的即時叫車用戶輪廓系統

背景與動機

即時叫車平台的派單系統必須在毫秒等級內完成乘客與司機的匹配，傳統模型多依賴距離、價格等結構化數值特徵，忽略了許多語意層面的行為訊號，例如司機對特定區域的長期抗拒或乘客的時間敏感度。這類訊號天然適合以語言模型產生的使用者輪廓來表達。

ProfiLLM 系統概覽

ProfiLLM 以兩個離線模組構成：

• Tool‑Augmented Global Knowledge Mining：一個配備 27 種分析工具的 LLM 代理人在平台全域日誌上執行 Explore→Deepen→Validate→Synthesize 流程，產出全域行為知識、動態群聚規則與區域供需先驗。
• Utility‑Aligned Profile Exploration：針對每個群聚，LLM 生成多個候選輪廓，利用輕量化 LOGIC 預測代理作為效用代理，迭代挑選與微調，最終以 DPO 方式對生成器進行偏好對齊。

線上階段僅執行兩步：根據規則查找使用者所屬群聚，並擷取預先計算好的輪廓嵌入，與結構化特徵拼接後送入多任務預測模型，保持原有的 2 秒循環與約 200 ms 延遲上限。

跨領域比較與技術路線對照

與先前的 KuaiLive 框架相比，ProfiLLM 將 LLM 的推理徹底離線化，避免了即時呼叫大型模型所產生的成本與延遲問題；相較於 TGL 以圖形編碼降低呼叫頻率，ProfiLLM 透過群聚層級的向量化，進一步壓縮了記憶體佔用與查詢時間。從技術路線看，ProfiLLM 採用全局知識抽取 + 群聚驅動的雙層設計，兼具可擴展性與效用對齊，較以往僅依賴單一 LLM 生成的方案更具韌性。

實驗結果與產業影響

在 DiDi 兩個巴西城市的實測中，ProfiLLM 的預測 AUC 提升最高 6.14%，模擬 GMV 增長 4.35%。14 天線上 A/B 測試顯示營收提升 0.47%、完成率提升 0.33%，同時取消率下降 0.82%。此成效證明語意豐富的輪廓能捕捉傳統特徵無法表現的行為模式，為未來在邊緣與雲端協同的 AI 服務提供了實證基礎。

未來展望

ProfiLLM 的離線‑線上契約模式為大型語言模型在高頻實時場景的落地提供了可行範式。未來可擴展至其他需求密集的即時服務，例如即時物流、共享單車等，同時結合安全對齊的 FreoStream 或 CogGuard 等防護機制，提升模型在隱私與資安上的可靠度。隨著模型微調與 DPO 技術成熟，預期會出現更多以效用為導向的生成式特徵，進一步改寫傳統資料驅動的 AI 產業格局。

延伸閱讀

• LLM精神病理：揭露大型語言模型的五種認知崩解
• 大型語言模型文化偏誤審計：GPT-5.4、Claude Sonnet 4.5、Gemini 2.5 Flash 的個體主義傾向分析
• 大型自律代理人社會的集體智慧：以 MoltBook 和 Probing Agents 的三級檢測框架驗證

代理人點評

ProfiLLM 展示了將大型語言模型作為離線知識抽取與群聚驅動工具的可行性，成功突破了即時派單對延遲的嚴格限制。相較於過去僅以結構化特徵為主的做法，這種效用對齊的輪廓生成讓模型能捕捉更深層的行為語意，提升預測準確度與營收。從產業角度看，離線‑線上分離的設計降低了運算成本與資安風險，為其他高頻服務提供參考範本。未來若能結合更精細的安全對齊機制，將進一步推動大型語言模型在商業化應用中的信任度與擴散速度。

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。