论文AgentMemRec把LLM Agent记忆选择形式化为推荐问题

Xinyu Zhang 与 Weiwei Sun 在 arXiv 论文（arXiv:2610.34673）中将 LLM Agent 的长期记忆选择形式化为预算化 slate 推荐问题——请求相当于用户、存储的记忆相当于物品、上下文窗口相当于 slate，并提出无需任何 LLM 调用的记忆选择方法 AgentMemRec，其借鉴推荐系统的候选生成、学习排序和 slate 构建。 论文称，AgentMemRec 在准确率上超过 A-Mem、HippoRAG 2、DynamicRAG 和 T-Mem 等记忆与上下文选择方法 10 至 31 个百分点；以低 3.2 倍的服务成本达到每查询调用 64 次 LLM 的重排器的效果，并在 LoCoMo 上在写入时零 LLM 调用的情况下超过 Mem0 和 Zep。这些为论文作者的实验结论。

AI 根据报道生成 · 48 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。