跨任务轮次智能体记忆的失效契约

缓存来自 API 错误的恢复建议的 LLM 代理可以在后面的片段中跳过重新推导，从而在他们已经学习的约束上花费更少的词元和更少的模型调用。服务器端数据漂移将这些缓存的修复变成无声故障，而通常的补救措施，即在每个事件上重新派生，可以恢复节省的成本。我们引入了失效合约，这是一个协议层，它将版本标记和可缓存性提示附加到每个恢复建议中，以便客户端可以在不进行尝​​试和错误的情况下驱逐过时的条目，并保留其余条目。该合约将实现的节省分解为两个独立的因素：有效性，即在漂移事件后保持正确的缓存建议的比例，以及合规性，规划者在第一次尝试时应用的比例。有效性仅取决于协议并且与供应商无关。合规性取决于规划器模型：相同的线字节在 Claude Haiku 4.5 上产生 100% 的首次尝试合规性，在 Claude Sonnet 5 上产生 11% 或更低，它表现出输入模式保守性，拒绝添加原始请求不包含的字段的修复。我们评估了七个模型、三个服务路径、两个领域和大约 9,400 个片段。行级失效将 7 个模型的合规性提高了 0 到 66.7 个百分点，其中 3 个模型的合规性提高了 55.6 到 66.7 个百分点，并且在 7 个模型中的 4 个模型上恢复了 29-33% 的基线词元成本，而表级失效则破坏了同位的条目，并将 7 个模型中的 5 个模型的漂移后首次尝试率降低到 0%。在第 4.1 节的行级预言机下，每个模型的行粒度驱逐精度均为 1.00。该合约增加了 15% 的响应负载。版本标记有效性是通过构造确定的，并且在每个模型和服务路径上产生相同的结果，在整个评估中合同失败为零。