arXiv cs.CL· Yiqi Wang, Jinqian Ju, Jiaqi Zhang, Zhangkai Wu, Yiqun Duan, Zequn Sun, Taotao Cai, Mingkai Zheng·· 12 小时前AI 评分38
Tether：为工具调用型 LLM 智能体提供依赖绑定的记忆机制
Memories That Outlive Their Reasons: Dependency-Tethered Memory for Tool-Using LLM Agents
AI 导读
针对工具调用型 LLM 智能体的记忆失效问题，研究者提出 Tether——写入时记录每条结论所依赖的确切版本，读取时撤回任何支撑已失效的结论。在 Fallout 模拟环境中，Tether 的上游失效对象发布率仅 0.3%，验证调用比全量检查少 37%；而 Mem0 发布率达 42%，A-Mem 与 Graphiti 为 9%。
正文 · AI 翻译
摘要：智能体现在会在 Web 上行动，通过注册表 API 发布软件包、模型和数据集，而记住过去的验证结果能让它们省去重复工作。但一个判定结论依赖于其前提。当签名密钥被吊销时，所有基于它构建的内容都不再通过验证，然而公告只点名了该密钥，而其依赖项的旧判定结论可能永远不会与它出现在同一个检索窗口内。这种失效的非局部性使记忆变成一种负担：在长时间的模拟对话中，一个读取原子事实记忆的智能体发布了 62% 的失败源于上游的对象，每个对象都有在写入时为真的记录作为依据。然而，即使失效不是局部的，推导仍然是局部的。Tether 在写入时记录每个判定结论所依据的确切版本，并在读取时撤回任何其支持在存储中任何位置已失效的判定结论；智能体读取的字段与之前相同。在 Fallout（一个生成带版本世界的生成器，其假设盲的模拟历史由所有记忆共享）上，当关系与其判定结论一起陈述时，Tether 在三个领域中仅发布 0.3% 的上游失败对象，且验证调用次数比检查所有内容少 37%。A-Mem 和 Graphiti 会重新验证大多数候选对象（每个候选 0.83--0.86 次检查），这限制了它们的节省效果，但仍发布了 9% 的上游失败对象；Mem0 更依赖记忆，发布了 42%。在任何失败时刷新所有判定结论与 Tether 一样安全，但检查成本高出 32%。相对于事实记忆的增益在三个开放权重骨干模型、全存储窗口和真实 Go 公告上均成立。这些增益取决于捕获依赖关系：当关系与它们的判定结论在不同会话中到达时，Tether 的下游不安全发布率上升到 9.4--22.1%。它也会因写入者较弱而退化，这些写入者会遗漏依赖关系或失效事件。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.25123 [cs.CL] |
| （或 arXiv:2610.25123v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.25123 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yiqi Wang [查看电子邮件]
[v1]
2026年10月18日星期日 09:01:52 UTC（313 KB）
[v2]
2026年10月22日星期四 04:32:22 UTC（371 KB）
来源：arXiv cs.CL · arxiv.org