Управляемое использование памяти: баланс между опорой на прошлое и инновациями в долгосрочном взаимодействии человека и агента

Controllable Memory Usage: Balancing Anchoring and Innovation in Long-Term Human-Agent Interaction

January 8, 2026

Авторы: Muzhao Tian, Zisu Huang, Xiaohua Wang, Jingwen Xu, Zhengkang Guo, Qi Qian, Yuanzhe Shen, Kaitao Song, Jiakang Yuan, Changze Lv, Xiaoqing Zheng

cs.AI

Аннотация

По мере того как агенты на основе больших языковых моделей (LLM) все чаще применяются в долгосрочных взаимодействиях, кумулятивная память становится критически важной для обеспечения персонализации и поддержания стилистической согласованности. Однако большинство существующих систем используют подход «всё или ничего» к использованию памяти: включение всей релевантной прошлой информации может привести к «якорению памяти» (Memory Anchoring), когда агент оказывается в ловушке прошлых взаимодействий, тогда как полное исключение памяти ведет к ее неполному использованию и потере важной истории взаимодействий. Мы показываем, что зависимость агента от памяти можно моделировать как явное и управляемое пользователем измерение. Сначала мы вводим поведенческую метрику зависимости от памяти для количественной оценки влияния прошлых взаимодействий на текущие результаты. Затем мы предлагаем Steerable Memory Agent (SteeM) — фреймворк, который позволяет пользователям динамически регулировать зависимость от памяти, от режима «чистого листа», способствующего инновациям, до режима высокой точности, строго следующего истории взаимодействий. Эксперименты в различных сценариях демонстрируют, что наш подход стабильно превосходит традиционные методы промптинга и жесткие стратегии маскировки памяти, обеспечивая более тонкий и эффективный контроль для персонализированного сотрудничества человека и агента.

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.