Shape Your Feed: sistema de IA permite controlar o feed por texto e voz

O que aconteceu

Um artigo submetido ao arXiv em 6 de agosto de 2026 (arXiv:2608.06632) propõe o Shape Your Feed (SYF), um framework agêntico de recomendação baseado em LLMs que permite curadoria multimodal de conteúdo em tempo real. O sistema usa uma arquitetura de três camadas: Perception Flow, que captura intenção do usuário a partir de prompts de texto, comandos de voz e interações na interface; Serving Flow, que faz re-ranking e poda de itens candidatos em tempo real com base em um Semantic Profile persistente; e Self-Evolution Flow, que alinha o comportamento do sistema a julgamentos humanos via Direct Preference Optimization (DPO) e um ensemble LLM-as-a-Judge.

Nos testes offline, o módulo de scoring de alinhamento do SYF alcançou 98,85% de precisão, superando baselines few-shot. Experimentos online A/B em tráfego de produção demonstraram melhora na relevância do feed e no sentimento do usuário (fonte: arXiv).

Contexto

Sistemas de recomendação industriais tradicionalmente adotam um paradigma passivo de ranking, inferindo preferências a partir de sinais comportamentais implícitos como cliques e tempo de permanência — não de entradas explícitas em linguagem natural. Isso cria uma discrepância persistente entre os interesses declarados pelo usuário e o que os algoritmos entregam, limitando a capacidade de expressar preferências sutis ou redirecionar o feed em tempo real.

O SYF ataca exatamente essa lacuna, propondo uma alternativa conversacional e agêntica para recomendação em escala industrial. A abordagem se apoia em avanços recentes de LLMs e técnicas de alinhamento como DPO, que vêm sendo adotadas em sistemas de IA generativa, mas ainda são raras em recomendação.

Por que importa

Para usuários de plataformas de conteúdo, o SYF representa a possibilidade de deixar de ser espectador passivo do algoritmo e passar a co-criar o próprio feed com comandos diretos — como digitar ou falar o que quer ver mais ou menos. Para empresas de tecnologia, o sistema oferece um caminho prático e escalável para recomendação interativa, com evidências de ganho em relevância e satisfação em ambiente de produção.

No Brasil, onde o consumo de redes sociais e serviços de streaming é massivo, a proposta toca diretamente em uma dor comum: a sensação de que o algoritmo "não entende" o que o usuário realmente quer. Um sistema que aceita correções explícitas em linguagem natural pode reduzir o atrito e aumentar o engajamento.

Impacto

No curto prazo, o SYF pode influenciar o design de sistemas de recomendação em plataformas de grande escala, especialmente aquelas que já investem em LLMs. A combinação de re-ranking agêntico com perfil semântico persistente sugere uma mudança de paradigma: em vez de otimizar apenas por cliques, o sistema passa a considerar intenção explícita e evolução de preferências ao longo do tempo.

No médio prazo, a adoção de técnicas como DPO e LLM-as-a-Judge em recomendação pode se tornar padrão, reduzindo a dependência de avaliação humana cara e permitindo iterações mais rápidas. Também há implicações para privacidade: o Semantic Profile persistente levanta questões sobre armazenamento e uso de preferências declaradas.

O que muda

A principal mudança é a passagem de um modelo reativo — onde o usuário só influencia o feed indiretamente por comportamento — para um modelo proativo e conversacional, onde o usuário pode dar comandos explícitos e ver o feed se ajustar em tempo real. A arquitetura em três fluxos (percepção, serviço e auto-evolução) oferece um blueprint replicável para outras empresas.

O que vem agora

O artigo não detalha um cronograma de lançamento comercial, mas a validação em tráfego de produção indica que o sistema está além da fase de laboratório. Próximos passos prováveis incluem a publicação de mais detalhes técnicos, possíveis integrações com plataformas existentes e discussões sobre governança do Semantic Profile. A comunidade acadêmica deve acompanhar de perto os resultados dos experimentos online, que ainda não foram divulgados em números completos no abstract.

Fontes

• arXiv: Shape Your Feed: An LLM-based Agentic System for Conversational Recommendation (https://arxiv.org/abs/2608.06632)