智能体应当遗忘什么——存储内容与使用内容的解耦论文arXiv原文：[https://arxiv.org/html/2609.10263v1]摘要持久化语言智能体需要长期保存历史经验，用于跨会话任务；但针对每一次用户提问，只应当使用和当前问题匹配的证据。现实场景存在一类矛盾事实：过时事实会误导当前回答，但该旧事实在查询历史场景时又是不可或缺的。本文提出R(\mathcal{D})-Forget，一套无需微调的记忆框架，核心思想：把智能体「存储的信息」和「推理时使用的信息」做解耦。完整源档案（source archive）永久保留全部观测记录，永不物理删除；基于查询条件动态生成记忆视图（memory view），控制哪些记忆参与本轮回答；使用冻结大模型作为记忆策展器，提取证据，将事实分组到语义槽位，维护多跳推理所需的关联关系；同槽替换链路抑制当前上下文里的过期事实；基于意图的检索机制，在需要时重新启用历史证据；采用率失真（rate-distortion）优化，在token预算约束下构建回答时的记忆视图。实验覆盖五大任务场景：对话记忆、知识更新、事实合并、长上下文推理、个性化问答。结果证明：准确回答依赖两点——构建和查询匹配的证据集 + 对过时备选事实做可控屏蔽。不具备遗忘机制、无查询条件视图的基线存在巨大性能损失；槽位分组、历史访问、关系保留三者提供互补增益。保留完整历史、按需控制使用范围，是处理动态变化事实、应对未来未知查询的可行方案。1 引言长期语言智能体（个人助手、任务Agent）会持续积累大量事实。传统记忆方案有两种极端：全部保留：上下文膨胀，过期事实干扰当前答案；直接删除旧事实：旧事实永久丢失，后续如果用户查询历史场景则无法回答。例如：用户之前写“我的邮箱是a@test.com”，后来更新为“我的邮箱是b@test.com”。当前提问“你的邮箱是什么？”，模型应当使用b，屏蔽a；如果用户后续提问“去年我登记的邮箱是什么？”，模型又需要调取旧邮箱a。直接删除旧信息无法处理第二类查询；全部保留不加控制则会混淆当前事实。现有RAG、记忆数据库大多缺少这种查询感知的选择性遗忘能力。本文核心贡献R(\mathcal{D})-Forget框架，解耦「存储」和「使用」：原始观测永久归档，仅在推理视图层面临时屏蔽过期事实，而非物理删除；语义槽位（semantic slot）事实分组机制，维护事实间关系，支持多跳推理；同槽替换链路，自动压制过时取值；率失真目标函数，在token预算约束下优化查询条件记忆视图；训练零成本，不需要微调底层大模型；在5类记忆任务上开展完整评测，开源记忆处理脚本、评测数据集、基线复现代码。2 相关工作2.1 智能体记忆与RAG检索增强RAG从知识库检索相关片段送入上下文；但传统RAG对冲突事实、时序更新处理能力弱，无法区分“当前有效事实”和“历史过时事实”。记忆数据库（向量库、图记忆）常采用永久删除、FIFO淘汰，一旦删除，历史信息永久丢失。2.2 模型遗忘与知识编辑知识编辑（Knowledge Editing）修改模型权重，擦除模型内部知识。缺点：需要微调，成本高；是全局修改，一旦擦除旧事实，任何场景都无法再访问；R(\mathcal{D})-Forget不修改模型权重，不在底层模型删知识，只在检索视图层面控制可见性。2.3 上下文过滤与记忆选择部分工作做上下文过滤，筛选相关片段送入prompt，但缺少语义槽建模，无法识别同一实体的新旧冲突事实，也不支持“按需恢复历史证据”。R(\mathcal{D})-Forget增加语义槽、意图感知检索、率失真约束。3 R(\mathcal{D})-Forget 方法3.1 整体架构三大核心组件：Source Archive 源档案存储层永久保存全部原始观测文本，不做删除。所有历史对话、事实、日志完整存档，作为底层数据源。Curator（冻结LLM记忆策展器）输入原始观测，输出结构化记忆：提取事实三元组；按语义槽分组：同一实体同一属性归为一个slot，例如user.email；记录事实之间的关联，用于多跳推理；标记事实时间戳、替换关系：当新事实写入同一slot，建立同槽替换链路。Curator模型冻结，不需要训练，只做结构化解析。Query-conditioned Memory View 查询条件记忆视图收到用户查询，基于：查询意图；语义槽替换链路；token预算（率失真优化）；动态筛选：本轮回答能看到哪些事实。规则：当前状态查询：同槽旧事实被抑制，优先使用最新事实；历史回溯查询：意图识别后，解除抑制，旧事实重新纳入上下文。3.2 语义槽 同槽替换链路语义槽格式示例：slot_id: