SuperLocalMemory：基于贝叶斯信任防御的隐私保护多代理记忆系统
人工智能
2026-03-04 v1 密码学与安全
摘要
我们提出 SuperLocalMemory，一个面向多代理 AI 的本地优先记忆系统，通过架构隔离和贝叶斯信任评分来防御 OWASP ASI06 记忆投毒攻击，同时通过自适应学习排序实现检索个性化——完全无需云端依赖或 LLM 推理调用。随着 AI 代理越来越依赖持久记忆，基于云端的记忆系统会创建集中攻击面，其中受毒记忆可在会话和用户之间传播——这一威胁已在生产系统中的已记录攻击中得到证明。我们的架构将 SQLite 后端存储与 FTS5 全文检索相结合，采用 Leiden-based 知识图谱聚类，构建事件驱动的协调层（带每个代理的来源），并实现适应性重新排序框架，通过三层行为分析（跨项目技术偏好、项目上下文检测和工作流程模式挖掘）学习用户偏好。评估在七个基准维度上表明，中位数搜索延迟为 10.6ms，在 10 个并发代理下零并发错误，信任分离（gap=0.90）对睡眠攻击达到 72% 信任降解，启用自适应重新排序后 NDCG@5 提升 104%。行为数据隔离于独立数据库中，支持 GDPR 第 17 条删除权。SuperLocalMemory 为开源（MIT），并通过模型上下文协议集成 17+ 开发工具。
引用
@article{arxiv.2603.02240,
title = {SuperLocalMemory: Privacy-Preserving Multi-Agent Memory with Bayesian Trust Defense Against Memory Poisoning},
author = {Varun Pratap Bhardwaj},
journal= {arXiv preprint arXiv:2603.02240},
year = {2026}
}
备注
11 pages, 5 tables, 1 figure. Code: https://github.com/varun369/SuperLocalMemoryV2