可验证记忆：用局部和全局验证器学习大语言模型代理的统一记忆管理

arXiv 发布论文《Verifiable Memory》，提出 VerMem 框架，用于大语言模型代理的统一记忆管理。VerMem 将长期记忆、活动上下文和情景历史作为不同状态，通过七种原子操作和单一策略控制，采用三阶段强化学习课程训练，使用局部和全局验证器评分，在五个基准和两个 LLM 骨干上取得多数最优结果。

现有方法通常分别优化长期和短期记忆，且统一策略主要依赖轨迹级反馈，难以对单个记忆决策提供精准信号。VerMem 提出统一策略和验证器评分机制，通过层级信用分配提升记忆决策质量，在多个基准上超越强基线，并实现效率-性能最优前沿。

VerMem 将记忆操作定义为七种原子动作，覆盖增删改查、过滤、摘要和恢复。训练采用三阶段强化学习课程，局部验证器评分可执行的记忆转换，全局验证器评估证据一致性和任务结束时的记忆一致性，结合程序化计算的任务、证据召回、效率和约束信号，通过层级信用分配优化策略。验证器仅在训练中使用。

该框架可能提升对话式 AI、智能代理和长上下文应用中的记忆管理效率，减少 token 消耗并提高任务完成质量。研发团队可借鉴其验证器评分和课程训练方法，优化产品中的记忆策略，但具体产品集成仍需验证。

• 在智能助手产品中集成统一记忆策略，通过验证器训练减少 token 成本并提升长对话性能。
• 基于 VerMem 的原子操作设计，构建可解释的记忆操作日志，便于调试和用户信任。
• 借鉴全局验证器思路，在客服或任务型代理中引入事后一致性检查，提高回答可靠性。

• VerMem 在真实产品环境中的部署成本和推理开销未在证据中明确。
• 论文未说明基准测试的具体领域，其泛化能力有待验证。
• 统一记忆策略在不同任务类型（如多跳推理、在线交互）上的表现差异缺乏证据。
• 验证器训练所需的标注或计算资源未提及。