何时遗忘：AI记忆治理的新原语——Memory Worth
随着AI智能体在复杂任务中不断积累经验，其记忆系统面临一个根本性挑战：如何判断哪些记忆值得保留，哪些应该被抑制或淘汰？当前的方法要么依赖静态的写入时重要性评分，要么使用大语言模型（LLM）的判断或结构性启发式方法，但这些都缺乏基于实际任务结果的动态反馈机制。
Memory Worth（MW） 的提出，正是为了解决这一核心问题。它是一种轻量级、理论严谨的记忆质量治理原语。
核心机制：双计数器追踪成败关联
MW为每个记忆单元维护两个简单的标量计数器：一个追踪该记忆被检索时任务成功的次数，另一个追踪失败的次数。通过持续记录记忆与任务结果的共现关系，MW动态计算出每个记忆的“价值”信号。
研究证明，在一个具有最小探索条件的平稳检索机制下，MW几乎必然收敛于一个关键概率：p+(m) = Pr[任务成功 | 记忆m被检索]。这个概率衡量的是给定记忆被检索时任务成功的可能性，它是一个关联性而非因果性的量度。作者认为，这种基于结果共现的关联信号，对于实际的内存治理决策（如检测陈旧记忆、抑制检索或决定淘汰）已经足够有用。
实证验证：从合成环境到真实文本
为了验证MW的有效性，研究团队在两种场景下进行了实验：
受控合成环境：在一个已知记忆真实效用的环境中，经过10,000次任务回合后，MW与真实效用之间的斯皮尔曼等级相关系数达到了 ρ = 0.89 ± 0.02（基于20次独立实验的平均值）。相比之下，那些从不更新评估的系统，其相关系数为 ρ = 0.00。这强有力地证明了MW能够准确反映记忆的实际价值。
检索现实的微实验：在更贴近实际、使用真实文本和神经嵌入检索（采用all-MiniLM-L6-v2模型）的场景中，经过3,000个回合，实验观察到：
- 陈旧记忆的价值（MW）跌破了低价值阈值（MW = 0.17）。
- 专业记忆则保持了高价值（MW = 0.77）。
这表明MW能够有效区分出随着任务分布变化而“过时”的记忆和持续有用的记忆。
对AI智能体发展的意义
Memory Worth的提出，标志着AI记忆管理从静态、启发式向动态、数据驱动迈出了关键一步。 在AI智能体日益复杂、需要长期运行和持续学习的背景下，一个高效、自适应的记忆系统至关重要。MW的轻量级特性（仅需两个计数器）意味着它可以轻松集成到现有的、已记录检索和回合结果的智能体架构中，为构建更鲁棒、更可靠的长期AI系统提供了新的基础工具。它本质上是在回答智能体演进过程中的一个核心问题：何时该记住，何时该遗忘。