MeClear框架利用博弈论清理LLM智能体记忆
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
MeClear框架通过合作博弈论中的Shapley归因方法，识别并抑制对长周期LLM智能体任务执行产生负面效用的记忆。该方案解决了单一移除评估无法处理的冗余冲突掩盖问题，在不永久修改持久记忆库的前提下执行最小化清理策略。实验显示，MeClear在十个长对话记忆池中实现了85.9%的目标召回率和82.3%的任务恢复率，比Leave One Out基线提升了25.5个百分点。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决记忆检索缺陷
长周期大语言模型智能体依赖外部记忆系统来保存用户偏好和任务知识。传统的检索机制通常优化语义兼容性，而非下游效用，这导致经常将过时、误导或冲突的证据引入活动上下文中。MeClear作为一个任务条件化的记忆清理框架被提出，旨在通过合作归因识别具有负面下游效用的记忆，并选择性地在智能体执行过程中抑制它们。
博弈论归因机制
MeClear的核心机制结合了Leave One Out筛选与采样合作Shapley归因。这种方法能够在相互作用的证据之间分配效用，从而有效解决单一移除评估失效时的冗余冲突掩盖问题。利用归因排名，MeClear在嵌套过滤上执行查询范围的最小化清理策略，在清理后的上下文中验证任务恢复，同时不永久改变持久记忆库。
实验效果评估
研究团队在十个长对话记忆池中进行了全面的实验评估。结果显示，MeClear实现了85.9%的目标召回率，整体任务恢复率达到82.3%。与Leave One Out（LOO）基线方法相比，MeClear将任务恢复率提升了25.5个百分点，证明了其在处理复杂记忆冲突和提升智能体长期任务执行能力方面的有效性。
为什么值得看
解决长周期智能体记忆冲突，显著提升任务恢复率。
智能体
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。