MemArchitect: A Policy Driven Memory Governance Layer¶

论文基本信息¶

作者: Lingavasan Suresh Kumar, Yang Ba, Rong Pan
arXiv: https://arxiv.org/abs/2603.18330
领域: cs.AI, cs.MA

摘要¶

持久化 LLM Agent 在记忆管理上面临关键治理缺口：标准 RAG 框架将记忆视为被动存储，缺乏解决矛盾、强制隐私或防止过时信息（"僵尸记忆"）污染上下文窗口的机制。MemArchitect 引入了一个治理层，将记忆管理从被动存储转变为主动治理。该层通过策略驱动的方式处理记忆的优先级、矛盾检测和隐私保护，确保 Agent 的上下文窗口始终由高质量、无矛盾的记忆组成。

核心贡献¶

Memory Governance Layer: 首个将记忆治理从被动存储提升为主动策略执行的框架
Policy-driven Memory Management: 用声明式策略（而非手工规则）定义记忆治理逻辑
Contradiction Detection: 自动检测记忆中的矛盾信息，并触发解决机制
Zombie Memory Prevention: 识别和标记过时记忆，防止其污染推理上下文
Privacy Enforcement: 策略驱动的隐私保护，自动删除或模糊化敏感记忆

研究背景与问题¶

标准 RAG 框架将记忆当作向量数据库——存储+检索，缺乏对记忆质量的主动管理。在实际部署中，Agent 记忆会积累过时信息、相互矛盾的信念和隐私敏感内容，但现有框架无法系统性地处理这些问题。

核心方法¶

Governance Policy Language: 设计声明式策略语言，定义记忆优先级、保留期、隐私级别
Memory Contradiction Detector: 时序推理引擎，检测记忆中相互矛盾的陈述
Temporal Memory Tracker: 追踪记忆的时间有效性，自动标记僵尸记忆
Context Window Budget Allocator: 根据策略为不同类型的记忆分配上下文预算
Human-in-the-loop Override: 支持人工干预策略执行，处理边界情况

为什么重要¶

MemArchitect 填补了 Agent 记忆系统从"存储"到"治理"的关键空白。RAG 只解决检索问题，MemArchitect 解决的是"什么记忆值得被检索"的问题。这是记忆系统从被动工具向主动智能体演进的核心能力。

与移动端/端侧相关性¶

策略本地执行: 治理策略可在端侧运行，无需云端协调
隐私原生设计: 敏感记忆不出设备，策略在本地强制执行
资源感知治理: 端侧存储受限时，策略可自动触发更激进的压缩/遗忘
多 Agent 协调: 分布式端侧多 Agent 系统中，共享治理策略确保记忆一致性