依赖引导回滚修复：纠正记忆增强智能体的错误

论文用依赖图回滚修复记忆智能体错误，恢复率85.3%但复发率更高。

资讯摘要

论文提出“失败后记忆恢复”问题：当记忆被污染、过时或错误归属导致执行失败时，需在保留未受影响工作的前提下重新生成答案并清理受影响的持久状态。作者构建依赖引导回滚修复方法，基于运行时溯源建立带类型的记忆—动作图，追踪下游依赖，停用无独立可信支持的记忆状态，并仅重放与答案相关的受影响计算。在150例受控基准上即时恢复率为85.3%，高于最强基线LLM-judge修复的77.3%，且保留全部良性记忆、LLM调用减少41.8%；但选择性重放使复发率升至26.6%，高于后者的12.1%。

要点速读

1. 论文将问题形式化为失败后记忆恢复：给定失败执行与诊断出的故障记忆，重新生成答案并清理受影响的持久状态，同时保留未受影响的工作。
2. 方法基于运行时溯源构建带类型的记忆—动作图，追踪显式下游依赖，保留有独立可信支持的候选，停用无支持的记忆状态，并选择性重放与答案相关的受影响计算。
3. 在150例受控基准（三个工具使用领域、四类记忆故障）上即时恢复率85.3%，最强基线LLM-judge修复为77.3%，LLM调用少41.8%；选择性重放复发率26.6%，高于后者的12.1%。在改编自LongMemEval-V2的50例压力测试上恢复率68.0%，次优方法54.0%，复发率5.9%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。