当用户对推荐系统生成的推荐结果不满意时，往往缺乏对推荐内容进行细粒度调整的控制手段。大型语言模型（LLMs）提供了一种解决方案，使用户能够通过自然语言请求来引导推荐结果（例如：“我想看到一些尊重他人观点、且与我立场不同的帖子”）。为此，我们提出了一种名为 CTRL-Rec 的方法，能够在保持计算高效的前提下，实现实时地通过自然语言对传统推荐系统进行控制。具体而言，在训练阶段，我们利用大型语言模型模拟用户根据其自然语言请求对项目（items）的接受程度，并训练嵌入模型以近似这些模拟判断。随后，我们将基于用户请求的预测结果整合进传统推荐系统所优化的标准信号权重中。在部署阶段，每个用户请求仅需一次大型语言模型的嵌入计算，即可实现推荐结果的实时调控。在 MovieLens 数据集上的实验表明，该方法能够稳定地支持多样化的自然语言请求，实现细粒度的推荐控制。在对 19 名 Letterboxd 用户进行的用户研究中，我们发现 CTRL-Rec 获得了用户的积极反馈，并显著提升了用户对推荐结果的掌控感与满意度，相较于传统控制方式具有明显优势。