A-TMA：解耦长期智能体记忆中的状态感知失败

长期记忆让LLM智能体成为持久助手，但用户事实会变化。有用的记忆系统必须知道现在什么为真、过去什么为真、什么发生了变化。我们研究幽灵记忆（ghost memory）——一种状态协调失败：旧的、当前的与转换中的事实在记忆库中共存、在检索中保持混合并误导答案模型。我们主张记忆系统应从三个层次理解与优化：库维护、检索与作答时消解。我们提出ATMA——面向既有记忆系统的状态感知覆盖层。ATMA在库中保留被取代与转换中的记录——为查询请求的状态视图构建证据包——向问答暴露当前、历史与转换标签。我们进一步呼吁对库、检索与作答层失败解耦评估——因为最终问答准确率可能掩盖幽灵记忆发生的位置。为使该失败可测量，我们构建LTP（LoCoMo Temporal Plus）——面向幽灵记忆的重冲突基准——并在LoCoMo上评估长对话泛化。在LTP上，Graphiti+ATMA较Graphiti绝对提升冲突准确率0.240。在LoCoMo上，Graphiti+ATMA将时间F1从0.0295提升到0.1705。增益依宿主而异，但表明显式状态角色能减少被最终问答准确率掩盖的记忆失败。