PACMI：来源感知的长期智能体记忆级联失效机制

LLM 智能体在长期执行任务时依靠长期记忆来保留和重用信息。随着新观察或领域证据到来，记忆可能过时；现有方法对处理这类记忆的支持有限。此类过时的记忆可能仍然在语义上相关，继续影响相关记录，并保留作为历史证据的价值。这需要两种功能：依赖性跟踪以识别下游影响和历史保存以保留有用的过去记录。我们提出了来源感知级联记忆失效（PACMI），这是一个代表记忆的框架，以及具有类型化依赖边的来源图中的新证据。 PACMI 将记录分配给四状态有效性格，将有效性更改传播到从属记忆，并使用结果状态进行检索和过时前提检测。我们还引入了跨五个领域的 100 个案例和 300 个查询的诊断基准。评估将节点、上下文和答案级别的性能分开。 PACMI 在此基准测试中实现了最高的最终答案准确率，并且在精确的 McNemar 测试下，其与最强基线的配对差异非常显着。前提检查器在受控查询分布上实现了完美的精度、召回率和F 1 。级联传播主要提高了记忆状态的正确性：删除它会将最终答案错误从 3 增加到 11，但配对差异未达到 0.05 显着性阈值。代码和数据将公开。