Beheersbaar Geheugengebruik: Balanceren tussen Verankering en Innovatie in Langdurige Mens-Agent Interactie
Controllable Memory Usage: Balancing Anchoring and Innovation in Long-Term Human-Agent Interaction
January 8, 2026
Auteurs: Muzhao Tian, Zisu Huang, Xiaohua Wang, Jingwen Xu, Zhengkang Guo, Qi Qian, Yuanzhe Shen, Kaitao Song, Jiakang Yuan, Changze Lv, Xiaoqing Zheng
cs.AI
Samenvatting
Naarmate op LLM gebaseerde agents steeds vaker worden ingezet voor langdurige interacties, is cumulatieve geheugenopslag cruciaal voor personalisatie en het behoud van stilistische consistentie. De meeste bestaande systemen hanteren echter een "alles-of-niets"-benadering voor geheugengebruik: het integreren van alle relevante historische informatie kan leiden tot Geheugenverankering, waarbij de agent vast komt te zitten in eerdere interacties, terwijl het volledig uitsluiten van geheugen resulteert in onderbenutting en het verlies van belangrijke interactiegeschiedenis. Wij tonen aan dat de afhankelijkheid van een agent van geheugen gemodelleerd kan worden als een expliciete en door de gebruiker aanstuurbare dimensie. We introduceren eerst een gedragsmatige metric voor geheugenafhankelijkheid om de invloed van eerdere interacties op huidige outputs te kwantificeren. Vervolgens presenteren we Steerable Memory Agent (SteeM), een framework dat gebruikers in staat stelt om de geheugenafhankelijkheid dynamisch te reguleren, variërend van een frisse-startmodus die innovatie bevordert tot een hoge-fideliteitsmodus die de interactiegeschiedenis nauwgezet volgt. Experimenten in verschillende scenario's tonen aan dat onze aanpak consistent superieure prestaties levert vergeleken met conventionele prompting en rigide geheugenmaskeringsstrategieën, wat resulteert in een meer genuanceerde en effectieve controle voor gepersonaliseerde mens-agent samenwerking.
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.