TARL：用事务式账本管理长期Agent的可执行记忆更新

持久记忆帮助长期的代理保留知识，但单次更新错误可以反复地扭曲未来的检索和推理。现有的大多数系统将记忆更新简化为二元的写/保持决策，这不能区分新信息是否应该添加、忽略、用于修订一个过时的信念、被拒绝为不可靠的信息，还是推迟验证。这些选择可能共享相同的二元标签，但产生本质不同的记忆状态。我们引入了TARL（Time-Aware Relational Learning），这是一个将每个陈述映射到五个可执行动作之一的记忆状态更新框架。TARL确定受影响的内存、解决其时间范围、比较源可靠性和更新接受、待处理和拒绝记事本。它进一步通过比较由其他更新操作产生的记忆状态，鼓励模型选择导致正确结果的操作。我们还引入了TARL-Mem（Time-Aware Relational Memory），这是一个具有精细动作标签和下一步目标的基准。在不同的领域内、跨源、时间序列、反事实和顺序评估中，TARL提高了动作预测和状态恢复能力，减少了记忆污染，保留了冲突证据，并限制了累积性破坏。完整的模型实现提供于补充材料中。