# AgentMemRec روش‌های پیشنهاددهی را به حافظه هوش مصنوعی می‌آورد

> مقاله‌ای تازه پیشنهاد می‌کند خاطرات ذخیره‌شدهٔ عامل هوش مصنوعی مانند گزینه‌های پیشنهادی انتخاب شوند؛ این روش در دو بنچمارک دقت بالاتری داشته و هنگام انتخاب، نیازی به فراخوانی LLM ندارد.

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

مقاله‌ای در arXiv، AgentMemRec را پیشنهاد می‌کند؛ روشی که به عامل‌های هوش مصنوعی کمک می‌کند از میان خاطرات ذخیره‌شده، مواردی را برای آوردن به پنجرهٔ بافتِ محدود انتخاب کنند. این روش هر درخواست کاربر را پرس‌وجویی برای پیشنهاددهی و هر خاطره را یک گزینه در نظر می‌گیرد و سپس با استفاده از روش‌های رتبه‌بندی و ساخت فهرست، خاطرات مناسب را بدون فراخوانی LLM انتخاب می‌کند.

نویسندگان گزارش می‌کنند که AgentMemRec در پرسش‌های چندجلسه‌ای LongMemEval، با اختلاف 10 تا 31 واحد درصد از چند سامانهٔ حافظه پیشی گرفته است. این روش با بازرتبه‌بندی‌کننده‌ای مبتنی بر LLM که برای هر پرس‌وجو 64 بار فراخوانی می‌شود، عملکردی برابر داشته و هزینهٔ ارائهٔ سرویس آن 3.2 برابر کمتر بوده است. همچنین در LoCoMo از Mem0 و Zep بهتر عمل کرده و هنگام ذخیرهٔ خاطرات به فراخوانی LLM نیاز نداشته است. این‌ها نتایجی هستند که مقاله گزارش کرده؛ در مطالب ارائه‌شده اشاره‌ای به ارزیابی مستقل نشده است.

## حقایق

- مقاله از افزایش 10 تا 31 واحد درصدی دقت در مقایسه با سامانه‌های دیگر، در پرسش‌های چندجلسه‌ای LongMemEval، خبر می‌دهد.
- AgentMemRec خاطرات را بدون فراخوانی LLM انتخاب می‌کند؛ نویسندگان می‌گویند عملکرد آن با بازرتبه‌بندی‌کننده‌ای که 64 بار فراخوانی می‌شود برابر بوده، اما هزینهٔ ارائهٔ سرویسش 3.2 برابر کمتر است.

## چرا مهم است

برای تیم‌هایی که دستیارهایی می‌سازند که در چندین جلسه اطلاعات کاربران را به خاطر می‌سپارند، این روش می‌تواند هزینهٔ انتخاب خاطرات مرتبط را کاهش دهد؛ بااین‌حال، نتایج بنچمارک گزارش‌شده نشان نمی‌دهند که عملکرد آن در محصولات عملیاتی چگونه خواهد بود.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-10-27