你在淘宝反复查看尺寸和材质，可能不是单纯“喜欢这类商品”，而是在为一次购买做比较。RecGPT-V3想让推荐系统理解这种行为背后的意图，而不只照着“看过A的人也常看B”的共现模式继续猜。更值得注意的是，它给系统加了长期记忆：过去已经分析过的偏好不必每次从头计算，而会压缩成可持续更新、还能追溯到原始行为的记忆单元。
这一步直指大模型推荐的成本问题。论文称，高活跃用户的完整历史可达5.5万 tokens——即模型处理文本时使用的基本单位；旧系统中的规划模块要反复读取这些记录，占多Agent意图分析95%的计算量。Memory Hub（记忆中枢）改为读取浓缩记忆和近期新增行为，使该模块计算量降低55.8%。RecGPT-V3还让大模型同时使用自然语言与 Semantic IDs——把具体商品语义编码成离散编号——减少“理解了需求，却找不准商品”的信息损失。
作者称，系统已部署于淘宝首页“猜你喜欢”；相较线上 RecGPT-V2，A/B 测试中点击率提升1.00%、成交额提升3.97%，端到端计算资源减少52.4%。这些效果目前均来自技术报告自述，但它展示的方向很清楚：推荐系统开始保存对人的理解，并把“为什么想要”直接接到“该推荐什么”。