超越记忆多数派：多Agent记忆仲裁的潜在来源推理

长期运行的多Agent系统会持续积累不同Agent产生的记忆。现有记忆方法通常把检索到的记忆当作独立证据，通过投票或加权来组合。然而这一独立性假设在多Agent场景中经常失效：不同Agent写下的记忆可能继承同一上游来源或共享偏差，导致相关联的证据被重复计数，形成虚假多数。我们将这一失败模式称为记忆关联偏差（Memory Correlation Bias）。为解决该问题，我们提出关联感知记忆仲裁（CAMA）框架，联合解耦检索到的记忆并恢复缺失的独立证据。我们把检索到的记忆建模为查询条件化的证据组，结合神经依赖推断与基于来源的符号先验来估计独立证据源的有效数量，从而防止相关联的记忆形成虚假多数。由于关键的独立证据可能不在初始检索集合中，CAMA进一步学习一个顺序恢复策略，在做出最终决定前主动检索替代证据或追踪上游来源，力求在最小化检索成本的同时恢复足够的独立证据以支持可靠仲裁。在多个基准上的实验表明，我们的方法优于最先进的基线方法，抑制了由关联记忆诱导的虚假多数。