持久的智能体记忆的可靠性取决于何时将断言写入记忆库。若一个断言仅得到弱支持，却被存储后再次被使用，就会被误认为已确立的事实。本文探讨是否应当依据断言的语义类别设定置信阈，而不是使用单一全局阈值。对证据充分的类别（如事实陈述）可以宽松保留，而在推理不可靠的类别（如价值观或信念）则更严格回避。
实验在一个冷启动记忆流水线上对 100 个合成角色进行评估。统计显示，在 4,715 条候选断言中，价值观和信念类仅有 $77.9\%$ 得到来源支持，而其他类别高达 $96.2\%$。全局阈值无法同时兼顾两者：要么保留大量未支持的价值断言，要么丢弃大量有充分证据的断言。将阈值按类别条件化后，价值类采用更严格的门槛，使未支持的保留率从 $6.2\%$ 降至 $4.0\%$，相对下降约 $36\%$，且在所有交叉验证折中保持一致。同时，覆盖率提升约 $13$ 个百分点（95% 置信区间 $9.8\sim16.0$），相当于在相似保留率下全局阈值的表现。
结果表明，可靠的记忆写入依赖于断言类型，而非单纯置信度。类别条件化阈值提供了一种简单而有效的选择性预测机制，能够在写入边界上过滤低可信度信息。
点评