快手发布AgentX，实现推荐系统自主迭代
快手用Agent系统替代人工重复执行推荐迭代全流程，实验吞吐提升8倍，验证了AI自主优化工业推荐系统的可行性。
快手AgentX团队提出一套Agent驱动的推荐研发闭环，让AI自主完成方案生成、代码实现、线上实验和结果归因。在真实业务中，3个Agent worker处理374个实验想法，最终发布10个有效方案，单worker并发实验数提升8倍，单位人力业务价值提升3.7倍。
正文摘录
.jpg) 过去十年，推荐系统的主线一直是把「建模」和「工程」做到更强：特征更细，模型更大，序列更长，生成式推荐和推荐大模型也在不断拓展系统边界。但在工业推荐真正的日常迭代里，最硬的瓶颈并不只在模型，而在研发生产方式本身。 一个推荐策略从想法到上线，往往要穿过数据分析、方案设计、生产代码修改、实验配置、A/B 观测、指标归因和复盘沉淀。这里面真正稀缺的不是「写一段代码」或「跑一次实验」，而是 持续提出高质量假设、判断实验成败原因、并把经验转化为下一轮更好的方向。 过去，这条链路主要靠算法工程师手工推进，创新效率很大程度上被人力和个人经验线性限制。 AgentX 要改变的正是这一点。 快手 AgentX 团队 发布技术报告《AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems》，提出并验证了 一套面向工业推荐系统的 Agent 驱动研发闭环 ：让 Agent 不只是辅助写代码，而是成为推荐迭代的执行主体，持续生成方案、实现代码、上线实验、读取反馈，并把每一次轨迹沉淀为下一轮进化的燃料。 在快手 App 真实业务部署过程中，AgentX 已经跑通「想法 — 代码 — 实验 — 归因 — 进化」的完整闭环。3 个 AgentX worker 在主站推荐与生活服务商业化场景中，将 374 个实验想法推进为 10 个可发布结果；