# AgentMemRec nutzt Empfehlungsmethoden für KI-Gedächtnisse

> Ein neues Paper schlägt vor, gespeicherte Erinnerungen eines KI-Agenten wie Empfehlungen auszuwählen. Auf zwei Benchmarks wurde eine höhere Genauigkeit erzielt – ohne LLM-Aufrufe bei der Auswahl.

Oossa · 2026-10-27 · https://oossa.com/de/agentmemrec-applies-recommendation-methods-to-ai-memory

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.

## Die Fakten

- Laut Paper erzielte AgentMemRec bei Fragen über mehrere Sitzungen hinweg in LongMemEval eine um 10–31 Prozentpunkte höhere Genauigkeit als die Vergleichssysteme.
- AgentMemRec wählt Erinnerungen ohne LLM-Aufrufe aus. Laut den Autoren erzielte es dieselben Ergebnisse wie ein Reranker mit 64 Aufrufen, bei 3.2-mal geringeren Betriebskosten.

## 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.

## Quellen und Referenzen

1. [Agent Memory as Recommendation: Recommender-System Design for Long-Term Memory of LLM Agents](https://arxiv.org/abs/2610.34673) – arXiv cs.IR, 2026-10-27

Zuletzt aktualisiert: 2026-10-27