标签
AAMAS 2027 论文提出将 LLM 智能体持久记忆的治理分为「准入」与「呈现」两个决策，并提出两种免重训练的推理时设计（FC 与 PS），在外部基准上分别降低 6.7 与 8.8 个百分点的失败率，同时显著减少跨领域信息泄露，但均加剧个性化失败，表明准入选择可带来任务特定的安全收益而有益记忆的保留仍未解决。
MemGuard引入了一个系统，将验证器信号持久化为元数据以治理LLM智能体中的记忆，从而提高了在多个基准测试（如SWE-Bench和WebArena）中的可靠性和性能。
作者发起了一个开源仓库和领域指南，用于自主系统和智能体系统中的受治理记忆，涵盖哪些内容会成为记忆、不确定性、对行为的影响，以及纠正/遗忘。欢迎贡献和讨论。
对AI记忆系统现状的分析，认为焦点已从存储更多数据转向定义记忆应如何表现——涵盖治理、可观测性、生命周期管理和互操作性。
MemoryOps AI 是一个用于AI助手的开源记忆治理层，通过策略、过期、审计和删除保证来处理记忆生命周期。作者希望从构建AI代理和RAG系统的开发者那里获得技术反馈。
GateMem是一个用于评估多主体共享记忆代理中记忆治理的基准，涵盖医疗、办公、教育和家庭领域的效用、访问控制和遗忘。当前方法无法同时平衡这三者，表明可靠的共享机构部署仍然难以实现。
记忆策展代理模式将记忆治理与工作代理分离，通过专门的代理评估并将记忆事件路由到适当的作用域，从而提高持久记忆的质量和相关性。