FSFM：一种受生物启发的智能体记忆选择性遗忘框架

对LLM智能体而言，记忆管理对效率、质量与安全性有关键影响。尽管大量研究聚焦于记忆保持，但受人类认知过程（海马索引/巩固理论与艾宾浩斯遗忘曲线）启发的选择性遗忘仍未被充分探索。我们认为在资源受限环境中，设计良好的遗忘机制与记忆同等重要，并在三个维度带来收益：(1) 通过智能记忆剪枝提升效率；(2) 通过动态更新过时的偏好与上下文提升质量；(3) 通过主动遗忘恶意输入、敏感数据与损害隐私的内容提升安全性。我们的框架建立了遗忘机制的分类：被动衰减式、主动删除式、安全触发式与自适应强化式。基于LLM智能体架构与向量数据库的进展，我们给出了详细规范、实现策略以及来自受控实验的实证验证。结果显示显著改进：访问效率提升（+8.49%）、内容质量（信噪比+29.2%）与安全表现（100%消除安全风险）。我们的工作连接了认知神经科学与AI系统，为真实世界部署提供实用方案，同时兼顾伦理与监管合规。论文最后讨论了挑战与未来方向，将选择性遗忘确立为在真实世界资源受限场景中运行的下一代LLM智能体的一项基础能力。我们的贡献与AI原生记忆系统及负责任的AI发展相契合。