多智能体系统越来越依赖“记忆”：把跑过的轨迹沉淀成可复用的流程知识，下次类似任务直接调用。一篇 10 月 4 日挂出的论文（arXiv 2610.05176）指出，这套做法有个被低估的副作用——记忆会“中毒”，也会“越界”。作者把这套治理思路命名为 AECG（非对称经验整合与治理），核心是把记忆从静态仓库，翻成一条带可靠性的治理闭环。它提醒我们：记忆越多不等于越聪明，反复召回的错误经验，比没有记忆更危险。
两类结构性风险
一类叫记忆污染（memory pollution）：那些过时的、证据薄弱的、或者只是“碰巧成功”的流程，一旦被存进记忆并反复召回，就会变成推理里的常客，悄悄拉低后续决策。另一类叫范围坍塌（scope collapse）：某条经验在它原本有效的协作范围里好用，却被反复套用到不兼容的决策层级，让局部错误引发一连串下游失误。两者都不是“记错了”这么简单，而是“记对了的边界没守住”。在多智能体里，因为一个 Agent 的 recalled 知识影响了另一个 Agent 的下一步，级联放大的风险比单 Agent 更隐蔽。
把记忆变成可审计的治理环
AECG 的做法不复杂但很克制：先靠多尺度、带置信度的可靠性信号 detect 哪些记忆在退化；再把“退化程度”和“下游影响”合起来，在有限的复核预算下优先处理高风险知识；接着做定向干预，而不是一刀切清空；最后，修正过的技能只有在“配对重放”验证通过后，才重新启用。在三个多智能体框架、四个基准上，它在 12 组框架-基准设置里拿到 11 组最好成绩，比参比记忆方法里表现最好的方案最多高出 10.23 个百分点；而一旦去掉“范围保护”这一项，准确率最多掉 16.89 点——反证了“边界”才是关键。
记忆治理，是工程不是玄学
这篇论文给落地团队的提醒很实在：当你给智能体加记忆时，真正要防的不是“记不住”，而是“记错了还反复用”和“用错了地方”。可行的抓手包括：给每条记忆打协作范围标签、对弱证据程序设衰减、在召回时校验它是否还落在原场景、对影响面大的知识做人工复核闭环。它和近期一批评测上下文精简、过程级监控的研究是同一个方向——智能体的可靠性，越来越不靠“模型更会聊”，而靠把这些经验与状态当成可审计、可回滚的资产来管。多智能体一旦上生产，记忆治理就该和产品本身的测试同等对待，而不是上线后再说。
落到工程侧，AECG 给的启示比“加个记忆”更具体：不要无差别沉淀成功经验。可行的做法是给每条记忆打协作范围标签、对弱证据程序设衰减窗口、在召回时校验它是否还落在原场景、对影响面大的知识走人工复核闭环。记忆的版本化也很关键——哪次改了哪条经验、改完谁验证过，都应可回滚。这听着像软件工程的代码评审，本质也的确是：把“经验”当代码管。它和近期一批评测上下文精简、过程级评测的研究是同一方向：智能体的可靠性，越来越不靠模型“更会聊”，而靠把这些经验与状态当成可审计、可回滚的资产来管。那些把记忆当黑盒、只管往里塞的团队，迟早会在某次级联失误里，为一两条“看似成功”的错误经验买单。而这类失误往往不在日志里显眼，只在某次关键决策出错后才被回溯，那时代价早已发生。记忆治理必须前移，靠范围标签与衰减窗口把错误挡在召回之前，而不是等事故倒逼复盘。把经验当代码管，这句话的真正含义，是给记忆也配一套评审与回滚，这恰恰是很多团队缺的那一环。