RD-Forget 框架分离智能体存储与使用
论文AI 评分 65/100arXiv cs.AI待复核
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。
RD-Forget 是一个无需训练的框架，旨在解决持久化语言智能体中存储与使用的矛盾。该框架保留原始观察记录，但通过查询条件化的记忆视图控制其对当前回答的影响。系统利用冻结的语言模型提取相关证据，将事实分组至语义槽位，并保留多跳推理所需的关系。通过同槽位替换抑制过时信息，同时利用意图感知检索使历史证据在特定查询下重新可用。实验表明，该方案在对话记忆、知识更新及长上下文推理等任务中表现良好。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载存储与使用的分离
持久化语言智能体需要跨越时间保持经验可用，但每个回答都需要适合特定问题的证据。一个被取代的事实可能会误导当前状态的回答，但对于历史查询又是必不可少的。RD-Forget 框架提出了一种无需训练的方法，将智能体存储的内容与实际使用的内容分离开来。它维护一个保留源档案来存储观察记录，同时建立一个查询条件化的记忆视图，专门控制这些记录对当前回答的影响。
记忆视图的构建机制
该框架使用一个冻结的语言模型作为策展人，负责提取相关证据，并将事实分组到语义槽位中，同时保留多跳推理所需的关系。为了处理过时信息，系统采用同槽位替换链接，在当前状态上下文中抑制被取代的值。此外，意图感知检索机制使得早期的证据在特定情况下能够再次被使用。这种设计通过率失真公式指导，在内存预算内构建回答时的视图。
实验效果与应用场景
实验涵盖了对话记忆、知识更新、事实整合、长上下文推理以及个性化等多个场景，并在统一的回答管道下进行测试。结果显示，准确的回答与查询相关证据的构建以及对过时替代方案的控制密切相关。配置中如果没有遗忘机制或查询条件，得分降幅最大；而槽位分组、历史访问和关系保留则提供了互补的功能。这种方法在保留历史记录的同时，选择性控制其使用，为适应变化的事实和未来问题提供了实用途径。
为什么值得看
提出了一种在不删除历史数据的前提下，精准控制智能体记忆使用的新思路。
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。