面向未来的缓存：代理内存系统的 Scrub Jay 情景内存原则

跨会话持续存在的 LLM 代理会积累存储的记忆，其有效性因内容类型而异，但现有的记忆架构将所有记忆视为同样持久，并用过时的事实系统地污染检索到的上下文。我们证明，每个记忆的类型条件时间衰减（西方灌木丛鸦情景记忆的一个属性）可以作为外部 LLM 代理记忆存储中的自动分类系数 $π_i$ 进行操作，从而产生 ScrubJay-MEM：每个记忆都被编码为联合绑定的 What--Where--When 元组，具有估计的易腐性 $π_i$ 和效用范围 $τ_i$，通过查询自适应检索评分，并在每次更新时以 $O(1)$ LLM 调用进行追溯修订。我们引入了时间泛化测试（TGT），这是一个具有保留间隔和泛化差距（GenGap）指标的基准。在 TGT 上，ScrubJay-MEM 是唯一具有显着正 GenGap ($+0.108$) 的基于检索的系统；在 MemoryAgentBench EventQA-64k 上，在 LLM 主干下，F1 比 Mem0 提高了 $+2.66$，比 Qwen3-Embedding-4B 提高了 $+3.09$。衰变消融使 GenGap 崩溃 $5.7\times$，根据结果建立必要的类型条件衰变。在更强大的骨干下，收益会缩小，而在事实整合任务中，收益会逆转，从而将对时间推理的贡献范围限制在易逝的事实之上。