面向人工智能的选择性记忆：写入时门控与分层归档

检索增强生成不加区分地存储所有内容，随着噪声积累准确率不断下降。参数化方法将知识压缩进权重，使得无法进行选择性更新。两者都不符合生物记忆的特性：生物记忆会依据显著性对编码进行门控，并且对被取代的信息进行归档而非删除。我们提出写入时门控（write-time gating），利用复合显著性得分（来源声誉、新颖性、可靠性）过滤进入的知识对象，同时维护保留先前状态的版本链。在无法获取质量标签oracle的真实LLM评估中，写入门控达到100%的准确率，而未门控的存储仅为13%。关键发现出现在干扰项扩展时：在8:1的干扰比例下，读取时过滤（Self-RAG）崩溃至0%，而写入门控保持100%，这揭示了写入时筛选相对于读取时筛选的结构性优势。在Wikipedia（20个实体）、程序生成的药理学数据以及2026年arXiv论文上的验证证实了这些发现。门控优势与参数化记忆的支持程度成反比扩展：Wikipedia为+25个百分点，截止日期之后的arXiv为+48个百分点，零训练知识的程序生成数据为+65个百分点。信号消融实验证实该方法不依赖于与oracle相关的元数据。写入门控以九分之一的查询时成本达到与Self-RAG相当的准确率。