MEMTRIM：理解并缓解推理时对 Agentic 记忆的过度依赖

Agentic 记忆允许 LLM 智能体重用过去的经验，但检索到的记忆也可能会扭曲推理，即使它们是良性的、正确存储的和适当检索的。我们研究这种故障模式，我们称之为记忆过度依赖。在基准测试和记忆架构中，我们发现当过去的经验转移到当前任务时记忆很有用，但当只有部分证据转移时可能会产生误导。在部分查询记忆重叠下，失败最为严重，这种模式通过不同重叠证据数量的对照实验进一步证实。受这一发现的启发，我们提出了 MEMTRIM，这是一个即插即用的框架，可以在写入时索引记忆证据并在读取时控制其重用。 MEMTRIM 删除重复或冲突的证据，同时保留有用的记忆特定信息，不需要重新训练，并且适用于基于嵌入和结构化的记忆系统。实验表明，MEMTRIM 减少了记忆的过度依赖，同时保留了有用的记忆跨模型和记忆设置的好处。