SuperLocalMemory: Privacy-Preserving Multi-Agent Memory with Bayesian Trust Defense Against Memory Poisoning

论文基本信息¶

arXiv ID: 2603.02240
发表日期: 2026-02-17
作者: Varun Pratap Bhardwaj
方向: 记忆隐私 / 多智能体记忆 / 记忆投毒防御
开源代码: https://github.com/（MIT 许可证）

摘要（翻译）¶

本文提出 SuperLocalMemory，一个面向多智能体 AI 的本地优先（local-first）记忆系统，通过架构隔离和贝叶斯信任评分防御 OWASP ASI06 记忆投毒，同时通过自适应学习排序实现个性化检索——无需云依赖或 LLM 推理调用。随着 AI Agent 越来越依赖持久记忆，云端记忆系统创造了集中化攻击面，受污染的记忆会跨会话和用户传播——这一威胁已在针对生产系统的攻击中得到证实。

SuperLocalMemory 的架构结合了：SQLite + FTS5 全文搜索、Leiden 算法知识图谱聚类、事件驱动的协调层（带每 Agent 溯源）、以及自适应重排框架（通过三层行为分析学习用户偏好：跨项目技术偏好、项目上下文检测和工作流模式挖掘）。在七个基准维度上的评估表明：10.6ms 中位搜索延迟、10 个并发 Agent 下零并发错误、信任分离度（gap=0.90，sleeper attack 信任下降 72%）、自适应重排开启后 NDCG@5 提升 104%。行为数据隔离在独立数据库中，支持 GDPR Article 17 删除权。SuperLocalMemory（MIT）已开源，与 17+ 开发工具通过 Model Context Protocol 集成。

核心贡献¶

1. 本地优先架构¶

不依赖云端服务，通过 SQLite + FTS5 实现完全本地化的记忆存储和检索，消除集中化攻击面。

2. 贝叶斯信任评分防御¶

通过三层行为分析动态评估记忆条目的可信度，有效降低记忆投毒攻击的成功率（sleeper attack 信任下降 72%）。

3. 自适应学习排序¶

通过跨项目技术偏好、项目上下文检测和工作流模式挖掘三个层次，个性化检索结果，NDCG@5 提升 104%。

行为数据完全隔离，支持用户数据删除权。

5. Model Context Protocol 集成¶

与 17+ 开发工具集成，包括 GitHub、Slack、Jira 等主流开发平台。

为什么重要¶

SuperLocalMemory 是首个完全本地化、无 LLM 推理调用的多智能体记忆系统，从根本上消除了云端记忆的集中化攻击面。它同时解决了隐私保护、记忆投毒防御和个性化检索三个核心问题，且性能优异（10.6ms 延迟）。OWASP ASI06 将记忆投毒列为 Agent 系统的顶级威胁，SuperLocalMemory 提供了实用的工程解法。

与端侧/移动端的相关性¶

本地优先架构和 SQLite 存储非常适合端侧和移动端部署，无需网络连接即可工作。GDPR 合规和 Model Context Protocol 集成使其成为移动 AI Assistant 的理想记忆后端。10.6ms 的搜索延迟在移动设备上也完全可接受。

参考文献¶

See original paper for full reference list