Utilisation Contrôlée de la Mémoire : Équilibre entre Ancrage et Innovation dans l'Interaction Humain-Agent à Long Terme
Controllable Memory Usage: Balancing Anchoring and Innovation in Long-Term Human-Agent Interaction
January 8, 2026
papers.authors: Muzhao Tian, Zisu Huang, Xiaohua Wang, Jingwen Xu, Zhengkang Guo, Qi Qian, Yuanzhe Shen, Kaitao Song, Jiakang Yuan, Changze Lv, Xiaoqing Zheng
cs.AI
papers.abstract
Les agents basés sur modèles de langage (LLM) étant de plus en plus utilisés dans des interactions à long terme, la mémoire cumulative est essentielle pour permettre la personnalisation et maintenir une cohérence stylistique. Cependant, la plupart des systèmes existants adoptent une approche « tout-ou-rien » de l'utilisation de la mémoire : l'incorporation de toutes les informations passées pertinentes peut entraîner un Ancrage Mémoriel, où l'agent reste piégé par les interactions passées, tandis que l'exclusion totale de la mémoire conduit à une sous-utilisation et à la perte d'historique d'interaction important. Nous montrons que la dépendance d'un agent à la mémoire peut être modélisée comme une dimension explicite et contrôlable par l'utilisateur. Nous introduisons d'abord une métrique comportementale de dépendance mémorielle pour quantifier l'influence des interactions passées sur les sorties actuelles. Nous proposons ensuite Steerable Memory Agent (SteeM), un cadre qui permet aux utilisateurs de réguler dynamiquement la dépendance à la mémoire, allant d'un mode recommencement qui favorise l'innovation à un mode haute fidélité qui suit étroitement l'historique des interactions. Des expériences menées dans différents scénarios démontrent que notre approche surpasse constamment les stratégies conventionnelles de prompting et de masquage rigide de la mémoire, offrant un contrôle plus nuancé et plus efficace pour la collaboration personnalisée humain-agent.
English
As LLM-based agents are increasingly used in long-term interactions, cumulative memory is critical for enabling personalization and maintaining stylistic consistency. However, most existing systems adopt an ``all-or-nothing'' approach to memory usage: incorporating all relevant past information can lead to Memory Anchoring, where the agent is trapped by past interactions, while excluding memory entirely results in under-utilization and the loss of important interaction history. We show that an agent's reliance on memory can be modeled as an explicit and user-controllable dimension. We first introduce a behavioral metric of memory dependence to quantify the influence of past interactions on current outputs. We then propose Steerable Memory Agent, SteeM, a framework that allows users to dynamically regulate memory reliance, ranging from a fresh-start mode that promotes innovation to a high-fidelity mode that closely follows interaction history. Experiments across different scenarios demonstrate that our approach consistently outperforms conventional prompting and rigid memory masking strategies, yielding a more nuanced and effective control for personalized human-agent collaboration.