在网约车平台的实时调度系统中，匹配管道长期依赖结构化的数值特征，但许多关键的行为信号——例如司机对某些区域的习惯性回避——本质上是上下文相关的，很难用传统数值特征直接表达。将大型语言模型（LLM）作为语义特征提取器引入这一场景，是一个有吸引力但尚未充分探索的数据系统问题。来自 arXiv 的论文 ProfiLLM 正是针对这一方向，提出了一套面向工业级网约车调度的智能体式 LLM 数据管道。
论文指出，要把 LLM 生成的用户画像扩展到真实生产环境中的毫秒级调度器，需要同时应对三个相互交织的约束。首先，在每天有数百万订单的平台上，行为日志的规模远远超出任何 LLM 的上下文窗口。其次，大多数用户属于长尾群体，交互记录太少，无法为每个用户单独生成画像。第三，表面流畅的画像并不一定能够提升下游预测的效用，因此需要一种机制来确保画像生成与调度目标对齐。
ProfiLLM 通过两个核心模块来应对这些挑战。第一个模块是工具增强的全局知识挖掘。它为 LLM 智能体配备了 27 个分析工具，用于挖掘平台级数据，从而生成可复用的全局知识、自适应的用户聚类规则以及区域级的供需先验。这些全局知识能够在不依赖单用户长上下文的情况下，为后续画像提供结构化基础。第二个模块是效用对齐的画像探索。该模块为每个用户聚类生成多个候选画像，并通过轻量级的下游效用代理进行评估，迭代优化表现最好的候选，同时构建偏好对用于 DPO 微调。这样，画像的质量不再仅由语言流畅度决定，而是与调度预测的实际效用挂钩。
在部署方面，ProfiLLM 被应用于滴滴的生产调度器。实验结果显示，在结果预测任务上，相对 AUC 最高提升 6.14%；在调度模拟中，GMV 最高提升 4.35%。此外，为期 14 天的在线 A/B 测试也带来了稳定改善，包括 GMV 提升 0.47%、完成率提升 0.33%，以及接单前取消率下降 0.82%。这些指标表明，将 LLM 生成的语义画像与下游任务效用对齐，可以在真实工业调度场景中产生可测量的业务价值。
该论文由 Tengfei Lyu 等七位作者于 2026 年 6 月 17 日提交，属于 cs.AI 与 cs.CY 交叉领域。研究的意义在于，它没有把 LLM 简单地当作离线文本生成器，而是将其嵌入数据管道，作为连接平台级行为日志与生产匹配系统的桥梁。通过工具增强的挖掘和效用驱动的探索，ProfiLLM 为在超大规模、长尾用户和低延迟约束下使用 LLM 提供了一种可操作的工程范式。