把Agent记忆选择建模为推荐系统问题

论文用推荐系统思路选择Agent记忆，无需调用LLM。

资讯摘要

论文将LLM Agent的长期记忆选择形式化为带预算的列表推荐问题：请求视为用户、存储记忆视为物品、上下文窗口视为列表，并据此提出AgentMemRec，复用推荐系统的候选生成、学习排序与列表构建，选择记忆时不调用LLM。作者报告在LongMemEval多会话问题上，其准确率比A-Mem、HippoRAG 2、DynamicRAG、T-Mem高10至31个百分点。

要点速读

1. 论文把记忆系统归入统一的推荐级联设计空间，并将准确率分解为各阶段控制的完整性。
2. 作者报告AgentMemRec在LongMemEval上比A-Mem、HippoRAG 2、DynamicRAG、T-Mem高10至31个准确率点。
3. 作者称其效果与每查询调用64次LLM的重排器相当，服务成本低3.2倍；在LoCoMo上优于Mem0和Zep，且写入时不调用LLM。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。