CALM：面向长时程语言智能体的冲突感知生命周期记忆治理

记忆对于当前推理而言可能已经过时，但对于重建过去却不可或缺。基于相关性的检索忽视了这一矛盾：语义相关性、以证据为依据的有效性和特定于查询的准入资格是彼此不同的概念。我们提出 CALM，一种冲突感知的生命周期记忆治理框架，将持久化记忆的保留与查询时准入解耦。CALM 将异构记录转换为以证据为依据的记忆单元，并利用支持、冲突和依赖信号更新有效性与生命周期状态；随后通过受时间适用性指导的、无需训练或经过学习的门控机制，准入适合查询的证据。在使用 Qwen 和 GPT 作为骨干模型的 LongMemEval-S 和 LoCoMo 上，CALM 的表现优于当前最先进的基线方法，取得了最佳总体准确率。与简单过滤和重排序相比，查询条件化的准入机制进一步提升了证据选择效果。冲突阻断和鲁棒性分析表明，CALM 能够抑制检索到的错误记忆，同时保留有用证据。历史重建实验表明，保留已被取代的记录能够支持对早期状态进行准确推理，同时不影响对当前状态的回答。