推荐系统被广泛用于吸引参与内容，大型语言模型（LLMS）引起了生成推荐人。这样的系统可以直接构成项目，包括用于诸如问题建议之类的开放设定任务。虽然LLMS的世界知识启动了好的建议，但是通过用户反馈改善生成的内容却是一项挑战，因为持续细微的LLM持续昂贵。我们提出了一种无培训方法，可以通过将用户反馈循环与基于LLM的优化器连接起来来优化生成推荐人。我们提出了一种生成探索探索方法，该方法不仅可以利用具有已知高参与度的生成的项目，而且可以积极地探索并发现隐藏的人群偏爱以提高建议质量。我们在两个域（电子商务和一般知识）中评估了问题生成的方法，并使用单击“速率”（CTR）对用户反馈进行了模型。实验表明，我们基于LLM的探索探索方法可以依靠地提高建议，并同意增加CTR。消融分析表明，生成探索是学习用户偏好的关键，避免了贪婪的仅剥削方法的陷阱。人类评估强烈支持我们的定量发现。