# AgentMemRec applique les méthodes de recommandation à la mémoire des IA

> Un nouvel article propose de sélectionner les souvenirs stockés par un agent d’IA comme des éléments à recommander. Les auteurs rapportent une meilleure précision sur deux benchmarks, sans appel à un LLM pendant la sélection.

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

Un article publié sur arXiv présente AgentMemRec, une méthode permettant aux agents d’IA de choisir les souvenirs stockés à intégrer dans une fenêtre de contexte limitée. Chaque demande de l’utilisateur est traitée comme une requête de recommandation, et chaque souvenir comme un élément à proposer. Des méthodes de classement et de composition de listes servent ensuite à sélectionner les souvenirs sans faire appel à un LLM.

Les auteurs indiquent qu’AgentMemRec a dépassé plusieurs systèmes de mémoire de 10 à 31 points de pourcentage pour les questions portant sur plusieurs sessions de LongMemEval. La méthode a obtenu des résultats équivalents à ceux d’un reclasseur utilisant 64 appels par requête, tout en réduisant de 3,2 fois le coût de service. Elle a également surpassé Mem0 et Zep sur LoCoMo sans appel à un LLM lors du stockage des souvenirs. Ces résultats sont ceux rapportés dans l’article ; les éléments fournis ne décrivent aucune validation indépendante.

## Les faits

- L’article fait état de gains de précision de 10 à 31 points de pourcentage par rapport aux systèmes comparés, pour les questions portant sur plusieurs sessions de LongMemEval.
- AgentMemRec sélectionne les souvenirs sans appel à un LLM ; selon les auteurs, ses résultats égalent ceux d’un reclasseur utilisant 64 appels, pour un coût de service 3,2 fois inférieur.

## Pourquoi c'est important

Pour les équipes qui développent des assistants capables de se souvenir des utilisateurs d’une session à l’autre, cette méthode pourrait réduire le coût de sélection des souvenirs pertinents. Toutefois, les résultats obtenus sur ces benchmarks ne permettent pas de savoir comment elle se comporterait dans des produits en service.

## Sources et références

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

Dernière mise à jour: 2026-10-27