개인 맞춤형 LLM 기반 에이전트: 기초, 평가 및 향후 연구 방향

Toward Personalized LLM-Powered Agents: Foundations, Evaluation, and Future Directions

대규모 언어 모델(LLM)은 추론, 계획 및 도구 및 환경과의 상호 작용을 통해 복잡한 작업을 수행하는 에이전트 구현을 가능하게 했습니다. 이러한 에이전트가 장기간에 걸쳐 작동함에 따라, 그 효과는 개별 사용자에게 적응하고 시간에 따른 일관성을 유지하는 능력에 점점 더 의존하게 되며, 이는 개인 맞춤형 LLM 기반 에이전트의 탄생으로 이어집니다. 이러한 장기적이고 사용자 의존적인 환경에서, 개인화는 단순히 표면적인 생성에만 국한되지 않고 의사 결정 프로세스 전체에 영향을 미칩니다. 본 논문은 개인 맞춤형 LLM 기반 에이전트의 기능 중심적인 개요를 제공합니다. 우리는 문헌을 프로파일 모델링, 메모리, 계획 및 행동 실행이라는 네 가지 상호 의존적인 구성 요소로 분류합니다. 이러한 분류 체계를 사용하여 대표적인 방법들을 종합하고, 사용자 신호가 어떻게 표현되고 전파되며 활용되는지를 분석하며, 구성 요소 간의 상호 작용 및 반복되는 설계상의 장단점을 강조합니다. 또한, 개인 맞춤형 에이전트에 특화된 평가 지표 및 벤치마크를 살펴보고, 일반적인 지원부터 전문 분야에 이르기까지 다양한 응용 시나리오를 요약하며, 연구 및 배포를 위한 향후 방향을 제시합니다. 본 논문은 개인 맞춤형 LLM 기반 에이전트를 이해하고 설계하기 위한 체계적인 프레임워크를 제공함으로써, 사용자 중심적이고 적응력이 뛰어나며 안정적이고 배포 가능한 에이전트 시스템으로 나아가는 로드맵을 제시하고, 프로토타입 수준의 개인화에서 확장 가능한 실제 세계 어시스턴트에 이르기까지의 발전을 가속화합니다.

Large language models have enabled agents that reason, plan, and interact with tools and environments to accomplish complex tasks. As these agents operate over extended interaction horizons, their effectiveness increasingly depends on adapting behavior to individual users and maintaining continuity across time, giving rise to personalized LLM-powered agents. In such long-term, user-dependent settings, personalization permeates the entire decision pipeline rather than remaining confined to surface-level generation. This survey provides a capability-oriented review of personalized LLM-powered agents. We organize the literature around four interdependent components: profile modeling, memory, planning, and action execution. Using this taxonomy, we synthesize representative methods and analyze how user signals are represented, propagated, and utilized, highlighting cross-component interactions and recurring design trade-offs. We further examine evaluation metrics and benchmarks tailored to personalized agents, summarize application scenarios spanning general assistance to specialized domains, and outline future directions for research and deployment. By offering a structured framework for understanding and designing personalized LLM-powered agents, this survey charts a roadmap toward more user-aligned, adaptive, robust, and deployable agentic systems, accelerating progress from prototype personalization to scalable real-world assistants.