知识卡片：MeClear——面向长时程LLM智能体的合作博弈归因与风险感知记忆清除

英文标题： MeClear: Cooperative Game-Theoretic Attribution and Risk-Aware Memory Clearance for Long-Horizon LLM Agents

英文关键词（基于摘要归纳）： Long-Horizon LLM Agents; Memory Clearance; Cooperative Game-Theoretic Attribution; Shapley Value; Leave-One-Out Screening

原始来源： arXiv:2609.09115v1

一句话结论

MeClear 是一种面向长时程 LLM 智能体的记忆清除框架，通过合作式博弈归因识别对当前任务有负向下游效用的记忆，并将其从智能体执行上下文中选择性抑制；在十组长对话记忆池上，整体任务恢复率达到 82.3%，较 Leave-One-Out（LOO）基线提高 25.5 个百分点。

事件概述/研究问题

长时程 LLM 智能体依赖外部记忆系统保存用户偏好和任务知识。传统检索机制大多按“语义相关性”而非“对下游任务的效用”来挑选记忆，容易把过期、误导或相互冲突的证据带入活动上下文，干扰任务完成。MeClear 提出了一种任务条件化记忆清除思路：识别“继续留在上下文反而有害”的记忆，并在不永久改写持久记忆库的前提下抑制它们。

方法/产品要点

任务条件化清除：以当前查询/任务为条件判断记忆的“负向下游效用”，而不是只看语义相似度。
两阶段归因：先用 Leave-One-Out（LOO）筛查候选记忆；再用抽样协作式 Shapley 归因在交互证据之间分配效用，解决“单删一条看不出问题、组合删除才有效”的冗余冲突掩盖。
查询范围最小清除：基于归因排序，通过嵌套过滤结构选择当前查询所需的最小清除集合，并验证清除后的上下文能否恢复任务执行。
不破坏持久记忆库：清除只作用于当前上下文中，持久记忆库不被永久改变。

主要结果或产业意义

实验基于十个长对话记忆池。
目标召回率（target recall）为 85.9%。
整体任务恢复率（overall task recovery rate）为 82.3%。
相比 LOO 基线，整体任务恢复率提高 25.5 个百分点。
产业意义在于：面向客服、个人助手、复杂工作流等长时程智能体，除了“记住重要内容”，也需要管理“不该再被想起的内容”，以避免旧信息对当前决策造成误导。

为什么重要

已有长期记忆工作主要处理“怎么存、怎么找、怎么更新”，MeClear 则正面处理“如何让某些记忆在特定任务中失效”。相比 MemLens 用 Shapley 值评估记忆价值并分层查询，MeClear 的增量在于把归因结果用于“清除/抑制”动作，并采用合作式 Shapley 与 LOO 组合，解决单条删除评估无法暴露的冲突掩盖问题。相比 HiGram 的分层图记忆与路径级重写，MeClear 关注的重点不是记忆结构演化，而是对现有记忆在上下文中“负效用”的风险感知裁剪。

局限与不确定性

原文摘要未提供具体基座模型、记忆池构造方式、评测指标细节，需进一步核实。
“任务恢复率”和“目标召回率”的具体计算口径待核实。
该方法在真实在线场景中的计算开销、延迟和可扩展性尚不明确。
选择性抑制是否会造成跨任务信息丢失，或影响未来任务的相关性，需要更多验证。
协作式 Shapley 归因的采样规模、近似误差和稳定性信息未在摘要中披露。

可用于图书/PPT/简报的角度

类比“记忆断舍离”：长时程智能体不仅需要扩容和整理，也需要对“曾经正确但现已过时”的记忆进行负责任的遗忘。
用“为什么单独删除看不到效果”引入合作博弈：在复杂证据组合中，个别干扰项常被其他冗余项“掩护”，归因需要观察组合移除的效果。
强调“不破坏原始记忆库”：清除只作用于当前上下文，持久记忆库保持不变，这为可审计、可回滚的智能体记忆管理提供了启发。

与既有脉络的关系

本条卡片是对“LLM 智能体长期记忆管理”系列的补充。它与“主动记忆代理”（解决行为状态衰减）、“MemLens”（价值感知存储与分层查询）、“HiGram”（分层图记忆与路径级重写）的关键区别在于：MeClear 专门聚焦“负效用记忆”的识别与上下文清除，并通过合作式归因处理冲突掩盖问题，是记忆治理中“减法”方向的新工作。

原始材料

英文标题：MeClear: Cooperative Game-Theoretic Attribution and Risk-Aware Memory Clearance for Long-Horizon LLM Agents
arXiv ID：2609.09115v1
作者：Boyu Yang, Jiazheng Sun, Zilong Lu, Zhi Qiu, Xin Peng, Jun Zheng
提交/更新日期：2026-09-08（原文如此，以 arXiv 页面为准）
分类：cs.AI, cs.SE
链接：https://arxiv.org/abs/2609.09115v1