面向长程LLM智能体的选择性记忆保持

保持何时对记忆增强的LLM智能体要紧？我们以TraceRetain研究该问题——冻结LLM智能体中有界外部记忆的轻量框架——按可解释特征（成功、年龄、访问频率、冗余、特异性、相似性、下游效用）为条目打分——满容量时驱逐最低分者。在干净的ALFWorld上配gpt-5-mini——外部记忆跨两种子稳健超越无记忆——但有界保持策略间的差异落在Wilson 95% CI内：T=100到T=200的干净ALFWorld不天然呈现保持设计所应对的记忆污染。受控噪声写入压力下（75%合成干扰）——无界记忆与FIFO-K50在Precision@5上退化（20.2%到12.4%与15.8%到3.8%）——而TraceRetain-CEM基本不变（16.9%到16.6%）并保持97/100任务成功。机制：无界记忆平均相似度最高（0.87）但精确率最低——表明失败的干扰项在嵌入空间里贴近查询。留出分布内评估显示记忆增强策略解出47到49/50任务——无记忆39/50。有界保持在饱和干净基准上以零任务成功代价购买记忆与步数效率——且只在流含噪声时与缓存启发式区分开。