人工智能的选择性记忆：基于写入时门控的层次归档

检索增强生成会无差别地存储所有内容，导致噪声累积降低准确率。参数化方法将知识压缩到权重中，无法实现选择性更新。 neither 镜像生物学记忆，后者根据重要性对编码进行门控，并对被取代的信息进行归档而非删除。我们提出了写入时门控技术，通过复合重要性得分（来源声誉、新颖性、可靠性）筛选进入的知识对象，同时维护版本链以保留先前状态。使用真实的 LLM 评估且无需对质量标签进行 oracle 访问，写入门控实现了100% 的准确率，而未加门控的存储方法仅为13%。关键发现在干扰项比例为8:1时，读取时门控（Self-RAG）的准确率降至0%，而写入门控保持100%，揭示了写入时门控相对于读取时筛选的结构优势。对维基百科（20 个实体）、程序生成的药理学数据以及2026年arXiv论文的验证 confirms 了这些发现。该门控优势随参数化记忆支持的多少呈反比例缩放：针对维基百科提升+25pp，针对后截至arXiv提升+48pp，针对程序数据提升+65pp（无训练知识）。信号剥离实验确认该方法不依赖于与 oracle 相关的元数据。写入门控在准确率上与Self-RAG持平，但查询时开销仅为其1/9。