超越记忆多数：多智能体记忆仲裁的潜在来源推理

论文提出 CAMA 框架，用于解决多智能体长期记忆中相关记忆被重复计数导致的虚假多数问题。该方法通过联合解耦检索记忆、估计独立证据源数量，并学习顺序恢复策略主动检索替代证据，在多个基准上优于现有基线方法。

现有记忆方法假设检索到的记忆相互独立，通过投票或加权合并，但在多智能体场景中该假设常失效，相关记忆可能形成虚假多数。CAMA 框架首次显式处理记忆相关性偏差，提升多智能体系统长期记忆的可靠性，对依赖多智能体协作的产品具有重要意义。

CAMA 将检索到的记忆建模为查询条件下的证据组，结合神经依赖推断与基于来源的符号先验，估计有效独立证据源数量，避免相关记忆重复计数。又因关键独立证据可能缺失，学习顺序恢复策略主动检索替代证据或追溯上游来源，在最小化检索成本的同时恢复足够独立证据，以做出可靠仲裁。

对多智能体产品，CAMA 可减少因相关记忆导致的决策偏差，提升记忆系统准确性；同时主动检索策略可能增加推理成本，需权衡检索频率与决策质量。对研发团队，需集成 CAMA 框架并调整记忆检索与仲裁流程。

• 在基于多智能体的客服或协作产品中，采用 CAMA 仲裁记忆，减少重复推荐或错误决策。
• 为多智能体记忆系统提供诊断工具，可视化相关记忆来源，帮助开发者识别偏差。
• 结合 CAMA 的主动检索策略，优化检索预算，平衡成本与决策可靠性。

• CAMA 在真实生产环境中的性能与计算开销尚未有证据。
• CAMA 对不同类型的多智能体架构（如层次型、对等型）的适用性未明确。
• 如何确定依赖推断与符号先验的权重，证据未给出具体调参方法。
• CAMA 处理长尾或罕见记忆场景的效果未被证实。