标题When to Remember, When to Abstain: Category-Conditioned Retention for Reliable Agent Memory来源arXiv, 2610.07100v1️文章简介研究问题如何防止智能体将缺乏证据支持的错误信息存入长期记忆从而避免后续基于错误事实进行推理主要贡献论文提出了一种基于语义类别的动态置信度阈值策略相比单一全局阈值能在保持高记忆覆盖率的同时显著提升存储内容的可靠性。重点思路将记忆写入环节视为选择性预测问题不盲目存储所有提取的信息而是根据置信度决定是保留还是放弃。研究发现不同类别的信息可靠性差异巨大特别是关于用户价值观和信念的断言其源支持率远低于其他类别如个人资料、兴趣等。实施类别条件化保留策略不再使用统一的全局置信度门槛而是针对低可靠性的特定类别如价值观设置更严格的置信度阈值而对高可靠性类别保持宽松。该方法仅需利用提取阶段已有的置信度分数和类别标签无需额外训练或修改存储检索架构。构建冷启动评估管道在100个合成角色上测试通过已知完整来源的数据来精确审计每条断言的真实性。对比了无过滤、全局阈值过滤和针对价值观类别的条件阈值过滤三种策略的效果。分析总结存在显著的可靠性不对称实验显示价值观类断言仅有77.9%得到源数据支持而其他类别高达96.2%。全局阈值无法兼顾两者要么放行大量 unsupported 的价值观断言要么误删大量有证据支持的其他断言。针对性过滤效果更佳采用针对价值观的严格阈值后未支持记忆的留存率从6.2%降至4.0%相对减少约36%。覆盖率与可靠性双赢在保持相似记忆保留比例约80%的情况下类别条件化策略比全局阈值策略多保留了约13个百分点的有效覆盖内容同时显著提升了整体记忆的忠实度。个人观点论文利用了数据分布的不均衡性不再使用统一的全局置信度门槛。