学习记住什么：面向智能体记忆的认知锚定多因子价值模型

长期运行的 LLM 代理积累的交互历史远大于任何上下文窗口，迫使我们做出长期决策：在固定内存预算下深度编码什么、忘记什么以及检索什么。生产系统以语义相似性或新近度来回答——两者都错误地指定了遗忘决策，该决策是在已知未来查询之前的巩固时间做出的。我们提出了一个多因素记忆价值函数 V(m)=\sum_i w_i f_i(m) ，涵盖来自认知心理学的七个可解释因素（情绪强度、目标相关性、价值对齐、自我/用户相关性、任务效用、可靠性和使用历史），其权重由无梯度优化器从下游目标学习，其单个标量统一控制编码深度、遗忘风险和检索排名。我们提出一个方法论观点：在 LongMemEval 上，根据保留的评估问题对目标相关性进行评分，使黄金证据保留饱和度达到约 0.98——这衡量的是检索，而不是遗忘。在现实的盲法中，学习的多因素值在 479 个可用案例中保留了 0.770 \pm 0.011 的黄金证据，而统一权重为 0.657，最佳单因素为 0.518，新近度为 0.368；每个配对间隙的 95% bootstrap CI 都高于零，并且基于相同因素的神经网络将线性模型联系起来。学习到的权重是可解释的——可靠性、情感强度和自我/用户相关性占主导地位，而查询时目标相似性则被正确地降低了遗忘决策的权重。具有植入混杂因素的受控合成任务证实学习者恢复了统一权重失败（0.62）的分离权重（1.00 保留）。底层开源；所有实验都在单个 CPU 上运行，没有 API 调用。