En artikel på arXiv föreslår AgentMemRec, en metod för hur AI-agenter kan välja vilka lagrade minnen de ska hämta in i ett begränsat kontextfönster. Varje användarförfrågan behandlas som en rekommendationsfråga och varje minne som ett objekt. Därefter används metoder för rangordning och sammanställning av urval för att välja minnen, utan att anropa en LLM.
Författarna uppger att AgentMemRec presterade 10 till 31 procentenheter bättre än flera minnessystem på frågor som omfattar flera sessioner i LongMemEval. Metoden matchade en LLM-omrankare som gör 64 anrop per fråga, samtidigt som driftskostnaden var 3,2 gånger lägre. Den presterade också bättre än Mem0 och Zep på LoCoMo utan LLM-anrop när minnen lagrades. Det här är resultat som rapporteras i artikeln; det tillhandahållna materialet beskriver ingen oberoende validering.
Varför det spelar roll
För team som bygger assistenter som kommer ihåg användare mellan sessioner kan metoden minska kostnaden för att välja ut relevanta minnen. De rapporterade testresultaten visar dock inte hur metoden fungerar i produkter som används i praktiken.
