Bien que les modèles de recommandation séquentielle (SeRec) actuels basés sur l'apprentissage supervisé et auto-supervisé aient atteint des performances améliorées grâce à des architectures de réseaux neuronaux puissantes, nous soutenons qu'ils souffrent encore de deux limitations : (1) le décalage des préférences (Preference Drift), où les modèles formés sur des données passées peinent à s'adapter aux préférences évoluant des utilisateurs ; et (2) la mémoire implicite (Implicit Memory), où les motifs dominants influencent fortement l'apprentissage paramétrique, rendant plus difficile la récupération des éléments peu fréquents. Dans ce travail, nous explorons l'augmentation par la recherche dans SeRec pour remédier à ces limitations. Plus précisément, nous proposons un cadre de recommandation séquentielle augmentée par la recherche, nommé RaSeRec, dont l'idée principale est de maintenir une banque de mémoire dynamique pour accommoder les décalages des préférences et de récupérer des souvenirs pertinents pour enrichir explicitement la modélisation utilisateur. Ce cadre se compose de deux étapes : (i) une pré-formation basée sur la collaboration, qui apprend à recommander et à rechercher ; et (ii) un affinage augmenté par la recherche, qui apprend à exploiter les souvenirs récupérés. Des expériences approfondies sur trois jeux de données démontrent pleinement la supériorité et l'efficacité de RaSeRec. Le code d'implémentation est disponible sur https://github.com/HITsz-TMG/RaSeRec.