持久化语言代理需要把经验存下来以便跨时使用，但每次回答只需要与当前问题相关的证据。过时的事实会误导当前答案，却在历史查询中仍然必需。为此我们提出 RD‑Forget，一个无需额外训练的框架，将“存储”与“使用”解耦。系统保留一个源档案保存所有观察，并通过查询条件化的记忆视图决定这些观察在当前答案中的影响。一个冻结的语言模型充当策展人，提取相关证据、将事实划分到语义槽中，并保持多跳推理所需的关系。相同槽位的替换链接在当前上下文中抑制已被取代的值，而意图感知检索则让早期证据在需要时重新可用。我们使用率失真（rate‑distortion）公式在有限记忆预算下构建答案时的视图。实验覆盖对话记忆、知识更新、事实合并、长上下文推理和个性化等任务，统一的回答流水线显示：准确答案依赖于查询相关证据的构建以及对过时备选的控制。去除忘记或查询条件化的配置得分下降最多，槽位分组、历史访问和关系保持提供互补功能。保留历史并有选择地控制其使用，为适应事实变化和未来问题提供了实用方案。
点评