论文
TRUSTMEM：为具长期记忆的LLM智能体学习可信记忆固化
TRUSTMEM: Learning Trustworthy Memory Consolidation for LLM Agents with Long-Term Memory
摘要
大语言模型（LLM）智能体依赖长期记忆支撑超出有限上下文窗口的扩展交互与个性化辅助。既有记忆智能体经生成的写入、修订与删除操作主动更新外部记忆——但这些更新可能遗漏重要信息、破坏既有记忆或引入无支撑的幻觉内容。一旦存储——此类错误成为持续的系统状态失败——可影响未来推理与生成。本文提出TrustMem——旨在改进记忆固化可信度的框架。TrustMem依赖记忆转移验证器——从覆盖、保持与忠实三方面评估记忆更新的转移过程。它进一步在同一记忆状态下的候选更新间构建偏好对——使偏好引导的强化学习能直接优化记忆更新行为。大量实验表明TrustMem同时改进记忆效用与可靠性：跨MemoryAgentBench、HaluMem与Mem-alpha验证集取得SOTA——HaluMem记忆抽取提升12.14 F1——并较各错误类型最强基线把转移级遗漏、破坏与幻觉分别降低40.1%、79.1%与50.0%。
