MeClear：长程Agent的合作归因与风险感知记忆清理

长期大型语言模型 (LLM) 智能体依靠外部存储系统来在扩展交互中保留用户偏好和任务知识。传统的检索机制优化语义兼容性而不是下游效用，经常将过时的、误导性的或相互矛盾的证据引入活动上下文中。我们提出了 MeClear，一个任务条件记忆清除框架，它通过合作归因识别具有负面下游效用的记忆，并有选择地抑制它们执行智能体。 MeClear 将留一筛选与采样合作 Shapley 归因相结合，在交互证据之间分配效用，有效解决单一去除评估失败的冗余冲突掩盖问题。利用归因排名，MeClear 在嵌套过滤上执行查询范围的最小清除策略，在清除的上下文上验证任务恢复，而无需永久更改持久内存库。对十个长对话记忆池的综合实验评估表明，MeClear 实现了 85.9% 的目标召回率和 82.3% 的总体任务恢复率，比留一法 (LOO) 基线提高了 25.5 个百分点。