1. 多源异构数据融合：将用户全购物周期的多触点异构行为序列（曝光、点击、加购、转化、Query、对话）视为独特的"行为模态"，研究其与文本、图像、商品知识等多模态信息的融合推断方法，突破单域用户数据偏置。 2. 用户意图理解：利用大模型的推理能力深度挖掘用户行为、偏好、意图与需求之间的复杂关系，构建能够理解用户“潜台词”的下一代推荐引擎。 3. 生成式推荐架构演进：推动推荐架构向生成式召回/预估范式演进，探索基于语义 ID/行为序列/用户意图的生成式建模等技术路线，系统性验证推荐场景下的 Scaling Law 潜力，构建统一的端到端生成式推荐引擎。 4. 推荐Agent 与多智能体协同：研发推荐 Agent 与多 SubAgent 协同技术（Agentic Reasoning / Planning / Tool-use/PostTrain），基于用户状态动态调整推荐策略（调序、提权、曝光去冗余、主动引导），实现推荐从"被动响应"到"阶段适配的主动服务"升级。 5. 数据飞轮体系建设：构建"协同服务→用户反馈→状态更新→策略进化"的自增强闭环，研究多触点交互信号的自动回流、偏好标注与奖励信号提取，结合在线学习与持续训练机制，形成越用越懂用户的正向循环与数据壁垒。