企业官网建设流程全解析

📖标题：When to Remember, When to Abstain: Category-Conditioned Retention for Reliable Agent Memory
🌐来源：arXiv, 2610.07100v1

🛎️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。