MAP-Graph：面向多智能体工作流的溯源感知共享内存

arXiv:2608.10509v1 公告类型：新 摘要：共享内存帮助语言模型智能体在长工作流中复用信息，然而相关证据可能对特定智能体或操作不可采纳。由于限制会通过推导传播，摘要可能掩盖私有、被污染、不受信任或已撤销的来源，从而造成未授权读取或不安全操作。现有方法提供了语义检索、作用域访问或谱系追踪，但未能明确区分硬授权与分级信任，也未使证据要求适配操作风险。我们提出 MAP-Graph，一种溯源感知的内存层，在类型化执行图中表示智能体、来源、记忆、声明和操作。它追踪祖先关系，排除无权限记录，通过语义相似性和乘法路径信任对合格记忆重新排序，并在操作执行前应用风险敏感门控，同时保留受影响的谱系以供审计。在跨三个领域的每种方法 2,700 个合成任务的受控基准测试中，MAP-Graph 实现了 94.96% 的整体任务成功率、72.70% 的精确决策准确率，以及干净环境下的 90.22%；在干净环境下，成功要求的是正确的 \textsc{Allow} 而非安全干预。消融实验分离了权限过滤、路径信任和操作门控的作用，而使用两个额外骨干网络的迁移测试保持了精确决策和访问控制优势。这些结果支持在评估环境中，谱系可作为操作控制信号，而不仅仅是事后审计元数据。

###### 摘要

共享内存帮助语言模型智能体在长工作流中重用信息，然而相关证据可能对特定智能体或动作并不可采纳。由于限制会通过派生传播，摘要可能隐藏其来源为私有、被投毒、不可信或已撤销的事实，从而导致未授权读取或危险动作。现有方法提供了语义检索、作用域访问或血缘追踪，但没有明确区分硬授权与分级信任，也没有根据动作风险调整证据要求。我们提出 MAP-Graph，一种具备溯源感知的内存层，它将智能体、来源、记忆、声明和动作表示在一个类型化执行图中。它追踪血缘，排除不允许访问的记录，按语义相似度和乘法路径信任对合格记忆重新排序，并在动作执行前应用风险敏感门控，同时保留受影响的血缘以供审计。在一个跨三个领域、每种方法 2,700 个合成任务的受控基准上，MAP-Graph 实现了 94.96% 的总体任务成功率、72.70% 的精确决策准确率，以及在干净设置下 90.22% 的成功率，其中成功要求得到正确的 Allow 而非安全干预。消融实验分离了权限过滤、路径信任和动作门