Janus控制器：为LLM记忆更新装上“选择开关”，防止知识污染

随着大语言模型向持续学习方向发展，如何让AI智能体有效复用历史经验成为关键挑战。现有系统通常直接采纳每个本地生成的记忆更新，缺乏对更新质量的判断机制，可能导致三种问题：帮助当前任务的新知识覆盖有用旧知识、引入过度特定的规则、记忆系统过度偏向近期示例。

来自学术界的解决方案Janus应运而生——这是一个插件式记忆控制器，能在每次记忆更新时做出二选一决策：接受候选更新或保留原有记忆。为实现高效决策，Janus采用三项关键技术：记忆动量触发器识别更新轨迹中的异常偏差；构建包含覆盖性任务、边界任务和新鲜任务的混合评估集，避免全历史重放的计算负担；保持方法无关性，可封装现有更新器而不修改其规则。

实验涵盖六个数据集、两种骨干LLM和两种记忆更新器，结果显示Janus使基础更新器的平均准确率提升2.7-4.6个百分点。该研究为大语言模型的持续学习机制提供了轻量级质量控制方案，未来可应用于对话系统、个性化推荐等需要长期记忆维护的场景。