rEDMRec: Distilling Large Language Model Reasoning into an Editable Experience Memory for Recommendation
rEDMRec：将 LLM 推理蒸馏为可编辑经验记忆用于推荐
🧭 LLM 推理蒸馏 · 可编辑记忆推荐 ★ 深度解读
University of Science, Ho Chi Minh City, Vietnam · Vietnam National University, Ho Chi Minh City, Vietnam
把教师 LLM 的推荐推理压缩为四通道可编辑经验记忆，冻结学生 LLM 检索排序，解耦推理成本与在线开销
📌 工作参考价值（4 点）
- 借鉴四通道经验库：把用户长期偏好、短期会话兴趣、商品级感知、硬负样本反事实对比分开存储和检索，而不是把全部 history 塞进 prompt；电商推荐中可分别用向量库存 lt/st/ip，用 hybrid graph-vector 存 cf，支持按 user_id / item 过滤。
- 借鉴在线/离线解耦：大模型只做离线知识抽取与记忆写入，线上用冻结的 3B-20B 小模型做纯检索式排序；适合控制在线延迟的广告/推荐场景，新交互只触发记忆 edit，不触发重训或大模型调用。
- 借鉴 Add/Delete/Modify/Keep 记忆控制器 + 多智能体 debate 优化：用排名奖励向量（HR@1、HR@k、MRR、DCG 折扣）驱动 critic/arbiter 修改记忆条目，不梯度更新模型；重复率是前导指标，建议 debate agent 数 k=4 为性价比拐点。
- 注意容量依赖：强学生可能反而被冗余/泛化条目干扰，短时上下文通道最稳定；在采用大模型排序时，可按学生能力选择性启用长期/商品感知/反事实通道，或控制 bank 规模减少重复。