记住决策而非描述：智能体记忆的率失真框架

长程语言智能体必须在有限的运行时记忆下运行，而现有记忆机制往往围绕相关性、显著性或摘要质量等描述性标准来组织经验。然而对智能体而言，记忆的价值不在于忠实描述过去，而在于在固定预算下保留那些必须保持区分的历史差异，以支撑良好决策。我们将其归结为一个以决策为中心的率失真问题，用压缩所导致的可达决策质量损失来衡量记忆质量。这给出了哪些内容可被安全遗忘的精确遗忘边界，以及刻画记忆预算与决策质量之间最优权衡的记忆失真前沿。受这一决策中心记忆观的启发，我们提出DeMem，一个在线记忆学习器，只有当数据证明合并状态会引发决策冲突时才细化其划分，并证明了近极小极大遗憾保证。在受控合成诊断与长程会话基准上，DeMem在相同运行时预算下均取得一致增益，支持了“记忆应保留对决策重要的区分，而非描述”这一原则。