# AgentMemRec aplica recomendação à memória de IA

> Um novo artigo propõe selecionar as memórias armazenadas por um agente de IA como itens recomendados. Segundo os autores, o método aumenta a precisão em dois benchmarks e não exige chamadas a LLM durante a seleção.

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

Um artigo publicado no arXiv propõe o AgentMemRec, um método para agentes de IA escolherem quais memórias armazenadas incluir em uma janela de contexto limitada. Ele trata cada solicitação do usuário como uma consulta de recomendação e cada memória como um item; em seguida, usa métodos de classificação e montagem de listas para selecionar memórias sem chamar um LLM.

Os autores relatam que o AgentMemRec superou vários sistemas de memória por 10 a 31 pontos percentuais em perguntas sobre várias sessões no LongMemEval. O método igualou o desempenho de um reranqueador com LLM que faz 64 chamadas por consulta, mas com custo de operação 3.2 vezes menor. Também superou o Mem0 e o Zep no LoCoMo, sem chamadas a LLM durante o armazenamento das memórias. Esses resultados são os relatados no artigo; o material fornecido não descreve uma validação independente.

## Os fatos

- O artigo relata ganhos de precisão de 10 a 31 pontos percentuais em relação aos sistemas comparados em perguntas sobre várias sessões no LongMemEval.
- O AgentMemRec seleciona memórias sem chamadas a LLM; segundo os autores, igualou um reranqueador que faz 64 chamadas, com custo de operação 3.2 vezes menor.

## Por que importa

Para equipes que desenvolvem assistentes capazes de lembrar dos usuários entre sessões, o método pode reduzir o custo de selecionar memórias relevantes. Os resultados relatados nos benchmarks, porém, não demonstram como ele se comporta em produtos em uso.

## Fontes e referências

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

Última atualização: 2026-10-27