Memadapter：针对记忆诱导的阿谀奉承的反事实适应

长期记忆使基于LLM的智能体能够跨任务和会话保留和重用信息，支持个性化和长期交互。然而，持久的记忆也会引起阿谀奉承，导致智能体与用户的历史信念过度一致，即使这些信念不准确、过时或与客观证据不一致。现有的缓解方法假设记忆引起的阿谀奉承源自有偏见或不正确的记忆，并尝试通过在记忆管道的不同阶段过滤此类记忆来降低这种风险。但在现实世界中，客观正确的记忆仍然会引起阿谀奉承，而且同一个记忆在不同的语境下也会产生不同的影响力。为此，我们提出了 MemAdapter，这是一种新颖的框架，可以自适应地集成检索到的记忆以支持客观可靠的推理。具体来说，MemAdapter由三个组件组成：（i）反事实归纳，利用反事实推理来揭示检索到的记忆的潜在风险； (ii) 上下文感知反射，通过自我反射根据当前任务校准每个检索到的记忆的推理影响； (iii) 循证推理，将最终回应建立在适当证据的基础上，同时保留记忆的合法影响力。对三个基准测试的大量实验表明，MemAdapter 在不同场景下持续提高记忆的可靠性。我们的代码可在 https://github.com/DEEP-JLU/MemAdapter. 获取