谱系感知的记忆治理：面向企业 AI 代理隐私保护型列级访问控制的推导门控框架

arXiv:2610.07258v1 公告类型：cross 摘要：共享记忆存储的企业 AI 代理面临两个尚未解决的风险：敏感数据可能通过请求者无法自行推导、但确实经过合法计算的结果泄露；各部门也可能使用相互冲突的逻辑，悄无声息地计算出同名的关键绩效指标（KPI）。现有的代理记忆系统（例如 MemGPT、Zep、A-MEM）依据内容、所有权和角色控制检索，而不是依据推导关系，因此会遗漏包含被禁止列的缓存洞察。我们提出分析记忆单元（Analytical Memory Unit，AMU），这是一种为每个缓存结果附加完整推导（谱系）图的记忆模式，并通过检索策略进行控制：只有当请求者对所有涉及的列均拥有授权时，系统才会返回匹配结果。在谱系记录完整的前提下，我们通过构造证明：该策略能够阻止检索源自请求者权限范围之外敏感列的结果，最坏情况下复杂度为 O(n)——这是一项条件式设计保证，而非实证结论；对于那些编码了敏感信息、却未标明其来源的派生特征，该保证不予涵盖。消除实测泄露需要达到 75%–90% 的谱系记录完整度，因此我们将 90% 视为保守的部署目标。在六项实验中，谱系门控检索消除了朴素内容门控记忆所产生的 18.8%–25.5% 的跨部门泄露，同时在最坏情况下仅引入 13.8 微秒的开销，并保持 81.5%–82.6% 的记忆复用率。一个使用 LLM 生成 SQL 的真实代理概念验证与这一保证相符：经过 9 次往返交互，实现零泄露并自动捕获两次冲突——不过这只是可行性演示，并非生产可用性的证据。该方案为共享代理记忆提供了一个实用的治理层，可补充源层访问控制，并支持遵守 EU AI Act。