遗忘但忠实：面向隐私感知生成式智能体的认知记忆架构与基准测试

随着生成式智能体在长期交互场景中变得越来越复杂和广泛部署，其记忆管理能力成为性能和隐私的关键瓶颈。当前方法要么维持无限的记忆存储，导致计算不可行性和隐私问题，要么采用简化的遗忘机制，损害智能体的连贯性和功能性。本文提出了记忆感知保留模式（MaRS），一种面向以人为中心的生成式智能体记忆管理框架，并结合了六种基于理论的遗忘策略，在性能、隐私和计算效率之间取得平衡。我们提出了遗忘但忠实智能体（FiFA）基准测试，一个全面的评估框架，用于评估智能体在叙事连贯性、目标完成度、社交回忆准确性、隐私保护和成本效率方面的表现。通过涉及300次评估运行、涵盖多种记忆预算和智能体配置的广泛实验，我们证明混合遗忘策略取得了优越的综合得分（0.911），同时保持了计算可行性和隐私保证。我们的工作为记忆预算智能体评估建立了新的基准，并为在资源受限、隐私敏感环境中部署生成式智能体提供了实用指南。理论基础、实现框架和实证结果为以人为中心的AI这一新兴领域做出了贡献，解决了直接影响用户信任、系统可扩展性和监管合规的智能体记忆管理根本挑战。