跳转至

Equimem 2605.09278

title: EquiMem: Calibrating Shared Memory in Multi-Agent Debate via Game-Theoretic Equilibrium arXiv: 2605.09278 date: 2026-05-10 tags: [agent-memory, memory-retrieval, multi-agent] reviewer: auto source: arXiv API

摘要

多 Agent 辩论系统（MAD）依赖共享记忆来支持长时推理，但存在一个关键脆弱性：单个被污染的记忆条目会污染下游的记忆增强推理过程，而单纯的辩论无法过滤此类错误。现有防护机制通过启发式规则或 LLM 验证来过滤记忆条目，但这些方法依赖与被污染内容具有相同失败模式的 AI 判断，且忽视了 MAD 中跨 Agent 的动态博弈特性。EquiMem 通过博弈论均衡来校准多 Agent 辩论中的共享记忆，构建一套自洽的记忆信任评估机制。

核心贡献

  1. 博弈论记忆校准框架：将多 Agent 辩论中的记忆验证建模为博弈论问题，Agent 之间通过均衡策略相互校验记忆内容的真实性。
  2. 跨 Agent 动态信任传播：不再依赖单一 LLM 裁判，而是通过 Agent 间的反复博弈达成共识记忆。
  3. 抵御记忆污染攻击：即使部分 Agent 被注入错误信息，系统仍能通过均衡收敛识别并过滤污染记忆。
  4. 无需额外信任假设：不假设任何 Agent 天然可信，所有信任从博弈过程中涌现。

方法详解

EquiMem 的核心机制包括：

  • 记忆条目评分：每个 Agent 对共享记忆中的每个条目给出置信评分。
  • 辩论博弈过程：通过多轮辩论，Agent 相互挑战低评分条目，形成迭代更新的信任分数。
  • 均衡收敛检测：当 Agent 间的记忆评分达到纳什均衡时，输出校准后的记忆集合。
  • 污染检测阈值：引入均衡偏离度指标，当某条目导致显著均衡偏离时标记为可疑。

为什么重要

多 Agent 系统正在成为 AI 应用的主流范式，但共享记忆的真实性问题长期被忽视。EquiMem 从博弈论角度首次系统性地解决了记忆污染问题，其方法不依赖任何可信第三方或额外模型，适合构建去中心化的多 Agent 记忆系统。这对移动端多 Agent 协作场景（如手机上的多个 AI 助手协同工作）具有重要意义。

与移动端/端侧相关性

  • 去中心化设计：无需中央仲裁，适合移动端去中心化 AI 场景
  • 轻量级博弈计算：均衡计算复杂度可控，适合边缘设备
  • 隐私保护：记忆校准在本地完成，不涉及敏感数据外传
  • 多 Agent 隐私隔离：各 Agent 持有独立记忆视图，仅通过加密通道共享关键校准信号

参考文献

  • Meng, Y., et al. (2026). EquiMem: Calibrating Shared Memory in Multi-Agent Debate via Game-Theoretic Equilibrium. arXiv:2605.09278.