治理LLM智能体中演化的记忆：风险、机制及稳定性与安全治理记忆（SSGM）框架

长期记忆已成为自主大语言模型（LLM）智能体的基础组件，支撑持续适应、终身多模态学习和复杂推理。然而，随着记忆系统从静态检索数据库转变为动态的智能体机制，记忆治理、语义漂移和隐私漏洞方面的关键隐忧浮出水面。近期的综述大量聚焦于记忆检索效率，却在很大程度上忽视了高度动态环境中记忆损坏的涌现风险。为应对这些新兴挑战，我们提出稳定性与安全治理记忆（Stability and Safety-Governed Memory，SSGM）框架，一个概念性的治理架构。SSGM通过在任何记忆固化（consolidation）之前强制执行一致性验证、时间衰减建模和动态访问控制，将记忆演化与执行解耦。通过形式化分析和架构分解，我们展示了SSGM如何缓解拓扑引发的知识泄露（敏感上下文被固化进长期存储），并帮助防止语义漂移（知识因迭代摘要而退化）。最终，这项工作提供了记忆损坏风险的综合分类体系，并为部署安全、持久且可靠的智能体记忆系统确立了一个稳健的治理范式。