Controlled Memory Interference in Continual LLM Agents

该论文提出 Controlled Memory Interference (CMI) 框架，用于诊断和控制持续学习 LLM agent 中记忆演化时的干扰现象。通过受控实验，作者发现良性积累影响有限，而关系特定的干扰（如记忆状态冲突或时间有效性差异）会显著抑制更新可塑性，且几乎不带来稳定性增益。他们区分了词汇检索和稠密检索的不同干扰路径，并指出投毒攻击对更新权威线索比单纯的新近性更敏感。最后，CMI 提供了干扰感知的记忆学习示例，能在保持原始记忆任务性能的同时，更好区分有效更新和干扰记忆。

1. 对导购/agent产品：CMI 提醒我们，长期记忆系统不能只关注存储与检索，需考虑记忆间的关系（如冲突、过时），在设计记忆更新策略时应加入干扰检测机制，避免新经验被旧记忆干扰或反之。
2. 改变技术选型判断：以往认为主要靠 RAG 提升记忆能力，现在意识到需要引入记忆干扰管理模块，例如基于权威线索（如用户反馈时间）的更新策略，而非简单的新旧替换。
3. 下一步行动：细读论文，复现其诊断框架，评估我们现有记忆系统中的干扰情况；考虑在记忆写入时加入干扰检测逻辑，并测试其效果。