ProfiLLM：面向工业网约车调度的效用对齐智能用户画像

将大语言模型（LLM）引入工业网约车调度系统，作为平台级行为日志的语义特征提取器，是一个引人注目但尚未充分探索的数据系统问题。目前，生产环境的匹配流水线仍然以结构化数值特征为主，然而，关键的行为信号（例如，驾驶员对某些区域的习惯性回避）本质上是上下文相关的，并且可以自然地表示为 LLM 生成的用户画像。然而，将这种画像扩展到具有毫秒级延迟的实时调度器面临着三种相互交织的限制，这些限制很少被同时解决：在拥有数百万日订单的平台上，日志量远远超出任何 LLM 的上下文窗口；大多数用户是长尾用户，交互次数太少，无法进行每个用户的画像分析；而且表面流畅的画像不一定能提高下游预测的实用性。

为此，我们提出了 ProfiLLM，一个智能 LLM 数据管道，通过两个模块实现了面向生产匹配系统的效用对齐用户画像。第一模块是工具增强的全局知识挖掘，为 LLM 智能体配备 27 种分析工具，用于挖掘平台级数据，生产可重用的全局知识、自适应用户聚类规则以及区域级供需先验。第二模块是效用对齐的画像探索，为每个聚类生成多个候选画像，通过轻量级下游效用代理进行评估，迭代优化最佳候选，并构建偏好对用于 DPO 微调。

ProfiLLM 已部署在滴滴的生产调度器上，在结果预测中实现了高达 +6.14% 的相对 AUC 改进，在调度模拟中实现了高达 +4.35% 的 GMV 增长，并在为期 14 天的在线 A/B 测试中取得了一致改进，包括 GMV 增长 +0.47%、完成率 +0.33% 以及接单前取消率下降 -0.82%。这些结果表明，ProfiLLM 能够有效地将 LLM 生成的行为画像用于工业级调度系统，在保持低延迟的同时显著提升关键业务指标。该系统不仅克服了上下文窗口和长尾用户的限制，还确保了画像的实用性，为大规模智能调度提供了新思路。