Een artikel op arXiv introduceert AgentMemRec, een methode waarmee AI-agenten bepalen welke opgeslagen herinneringen ze in een beperkt contextvenster opnemen. Elke gebruikersvraag wordt behandeld als een aanbevelingsopdracht en elke herinnering als een item. Vervolgens selecteert de methode herinneringen met rangschikkings- en samenstellingsmethoden, zonder een LLM aan te roepen.
De auteurs melden dat AgentMemRec bij vragen over meerdere sessies op LongMemEval 10 tot 31 procentpunten beter scoorde dan verschillende geheugensystemen. De methode evenaarde een LLM-herordener die 64 aanroepen per vraag doet, terwijl de gebruikskosten 3.2 keer lager lagen. Ook presteerde AgentMemRec op LoCoMo beter dan Mem0 en Zep, zonder LLM-aanroepen bij het opslaan van herinneringen. Dit zijn resultaten die in het artikel worden gerapporteerd; het aangeleverde materiaal beschrijft geen onafhankelijke validatie.
Waarom het ertoe doet
Voor teams die assistenten bouwen die gebruikers over meerdere sessies heen onthouden, kan deze methode de kosten verlagen van het selecteren van relevante herinneringen. De gerapporteerde benchmarkresultaten laten echter niet zien hoe de methode presteert in producten die daadwerkelijk worden gebruikt.
