Utilizzo Controllabile della Memoria: Bilanciare Ancoraggio e Innovazione nell'Interazione Umana-Agente a Lungo Termine
Controllable Memory Usage: Balancing Anchoring and Innovation in Long-Term Human-Agent Interaction
January 8, 2026
Autori: Muzhao Tian, Zisu Huang, Xiaohua Wang, Jingwen Xu, Zhengkang Guo, Qi Qian, Yuanzhe Shen, Kaitao Song, Jiakang Yuan, Changze Lv, Xiaoqing Zheng
cs.AI
Abstract
Man mano che gli agenti basati su LLM vengono sempre più utilizzati in interazioni a lungo termine, la memoria cumulativa è fondamentale per abilitare la personalizzazione e mantenere la coerenza stilistica. Tuttavia, la maggior parte dei sistemi esistenti adotta un approccio "tutto-o-nulla" nell'utilizzo della memoria: incorporare tutte le informazioni passate rilevanti può portare a un Ancoraggio alla Memoria, dove l'agente rimane intrappolato nelle interazioni passate, mentre escludere completamente la memoria comporta un sottoutilizzo e la perdita della cronologia interattiva importante. Dimostriamo che la dipendenza di un agente dalla memoria può essere modellata come una dimensione esplicita e controllabile dall'utente. Introduciamo prima una metrica comportamentale della dipendenza dalla memoria per quantificare l'influenza delle interazioni passate sugli output correnti. Proponiamo poi Steerable Memory Agent (SteeM), un framework che consente agli utenti di regolare dinamicamente l'affidamento sulla memoria, spaziando da una modalità di ripartenza che promuove l'innovazione a una modalità ad alta fedeltà che segue fedelmente la cronologia interattiva. Esperimenti condotti in diversi scenari dimostrano che il nostro approccio supera costantemente i metodi di prompting convenzionali e le strategie rigide di mascheramento della memoria, producendo un controllo più sfumato ed efficace per la collaborazione personalizzata tra uomo e agente.
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.