Spotify сообщает о росте показателей благодаря разговорному агенту для рекомендаций музыки

Исследователи Spotify сообщают, что разговорный агент для рекомендаций помог увеличить время прослушивания и число еженедельно активных пользователей в онлайн-A/B-тестах. Система позволяет описать обычными словами, что хочется послушать, например: «итальянские инди-исполнители, которых я ещё не слышал», — вместо того чтобы просить только изменить текущий сеанс прослушивания.

Результаты опубликованы в статье на arXiv от 28 сентября 2026 года, которая также указана как работа для RecSys 2026. Авторы сообщают, что по сравнению с прежней функцией Spotify для уточнения сеанса прослушивания пользователи стали слушать на 14% больше музыки, число еженедельно активных пользователей выросло на 5%, а доля пропусков снизилась на 5%.

Как устроена система

Команда сосредоточилась на задаче, которую нужно решить до запуска: научить агента планировать действия, в том числе выбирать инструменты и определять порядок их использования, когда реальных диалогов с пользователями для обучения ещё нет. В рамках разработанного процесса запросы из одного сообщения преобразуются в смоделированные диалоги из нескольких реплик, чтобы заранее протестировать агента.

Затем автоматизированный цикл улучшения помогает выявлять и исправлять ошибки в планировании и использовании инструментов. Метод сопоставляет разные ответы агента и итеративно дорабатывает их с помощью инструмента для написания кода. По словам исследователей, это повысило качество на 8% по сравнению с уже тщательно оптимизированным вручную промптом. Они также отмечают, что такой подход ускорил циклы разработки, хотя в аннотации статьи не приводится оценка сэкономленного времени.

Что показывают результаты

Показатели прослушивания и вовлечённости получены в онлайн-тестах, где систему сравнивали с конкретной прежней функцией, а не со всеми способами использования Spotify. В аннотации статьи не указано, сколько человек участвовали в тестировании, как долго оно продолжалось и доступен ли агент всем пользователям.

В первую очередь работа посвящена методу разработки: использованию сгенерированных диалогов и автоматических доработок для улучшения агента до запуска и после него. Такой подход может помочь командам тестировать инструменты рекомендаций на естественном языке, даже если поначалу у них мало данных о реальных взаимодействиях.