MAP-Graph：面向多Agent工作流的来源感知共享记忆

共享记忆帮助语言模型智能体在长工作流中复用信息，但相关证据可能对特定智能体或行动不可采信。由于限制会随推导传播，摘要可能掩盖私密、被投毒、不受信任或已撤销的来源，从而导致未授权读取或不安全行动。现有方法提供语义检索、作用域访问或谱系追踪，但未清晰区分硬性授权与分级信任，也未使证据要求适配行动风险。我们提出MAP-Graph，一个来源感知的记忆层，在类型化执行图中表示智能体、来源、记忆、声明和行动。它追踪祖先谱系，排除无权限资格的记录，按语义相似度和乘性路径信任对合格记忆重排序，并在行动执行前应用风险敏感门控，同时保留受影响的谱系以供审计。在一个跨三个领域、每个方法2,700个合成任务的受控基准中，MAP-Graph取得94.96%的总体任务成功率、72.70%的精确决策准确率，以及在干净设置下90.22%的成绩——后者要求正确的允许（Allow）决策而非安全干预。消融实验分离了权限过滤、路径信任和行动门控的作用，而使用两个额外骨干的迁移测试保持了精确决策与访问控制优势。在所评估的设置内，这些结果支持将来源信息作为操作性控制信号，而不仅是事后审计元数据。