基于因果干预的长程LLM智能体记忆选择

长程LLM智能体依赖持久记忆来支持跨会话交互，但现有记忆系统通常用语义相似度或宽泛的历史包含来检索上下文，把检索到的记忆一概视为同等有用。这一假设是脆弱的，因为记忆可能在主题上相关，但实际上无关、过时或具有误导性。我们提出因果记忆干预（CMI），一种因果记忆选择技术，在受控干预下估计候选记忆对模型答案的影响，选出能提升任务表现的记忆，同时抑制不稳定、无关或有害的记忆。为评估这一设定，我们提出Causal-LoCoMo，一个从长对话数据派生、带因果标注的基准，其中每个样例包含用户请求、结构化记忆库、有用记忆、无关干扰项与合成有害记忆。我们将CMI与向量、图、反思、摘要、全历史以及无记忆等基线进行比较。结果表明，CMI在答案质量与对误导性记忆的鲁棒性之间取得了更好的平衡，这说明可靠的长期记忆需要依据因果有用性而非仅凭相关性来选择上下文。完整框架、基准构建代码与实验流水线已发布于 https://github.com/Saksham4796/causal-memory-intervention 。