Ein auf arXiv veröffentlichtes Paper stellt AgentMemRec vor. Das Verfahren soll KI-Agenten dabei helfen, auszuwählen, welche gespeicherten Erinnerungen sie in ein begrenztes Kontextfenster übernehmen. Dabei wird jede Anfrage eines Nutzers wie eine Empfehlungsanfrage und jede Erinnerung wie ein Inhalt behandelt. Anschließend kommen Ranking- und Auswahlverfahren zum Einsatz, um Erinnerungen auszuwählen – ohne ein LLM aufzurufen.
Laut den Autoren übertraf AgentMemRec mehrere Gedächtnissysteme bei Fragen über mehrere Sitzungen hinweg in LongMemEval um 10 bis 31 Prozentpunkte. Das Verfahren erzielte dieselben Ergebnisse wie ein LLM-Reranker, der 64 Aufrufe pro Anfrage benötigt, und verursachte dabei 3.2-mal geringere Betriebskosten. Auch bei LoCoMo schnitt es besser ab als Mem0 und Zep – und zwar ohne LLM-Aufrufe beim Speichern von Erinnerungen. Dabei handelt es sich um Ergebnisse aus dem Paper; das vorliegende Material enthält keine Angaben zu einer unabhängigen Überprüfung.
Warum es wichtig ist
Für Teams, die Assistenten entwickeln, die sich über mehrere Sitzungen hinweg an Nutzer erinnern, könnte das Verfahren die Kosten für die Auswahl relevanter Erinnerungen senken. Die berichteten Benchmark-Ergebnisse belegen jedoch nicht, wie es sich in tatsächlich eingesetzten Produkten bewährt.
