持久之前先定范围：防止Agent记忆中的跨任务族干扰

持久记忆让语言模型智能体无需更新模型权重即可改进提示和技能。我们证明，让检索范围与认证范围相匹配，能使这些编辑支持在重复出现的任务族上可靠地反复适应。我们在ProcStream-RSI——一个12轮代码修复流——上研究冻结模型智能体，使用正交回归控制（ORC），一种以执行为依据的持久技能编辑门控。在一个保持提案和门控决策不变的干预中，仅在其来源任务族内检索每个被接受的技能，将平均隐藏轨迹效用从全局记忆下的0.713提升到0.816，有害部署从八次中的六次降为零。在27条成对随机顺序流中，Scoped-ORC相对Global-ORC将平均轨迹效用提升0.063 [0.037, 0.094]，接受63次而非12次更新，在19/27条流中产生多个被接受的更新，且0/63次有害接受。全局对照仅达到0.713，低于静态智能体的0.775，因为局部有效的编辑可能干扰无关任务族。这些结果确立了范围匹配作为持久智能体记忆的一种互补控制：认证决定一次编辑是否得到支持，而检索范围决定该证据授权其在何处使用。