Agentic memory 使大语言模型（LLM）代理能够复用过去的经验，但检索到的记忆有时会扭曲推理，即使这些记忆本身是良好的、正确存储且被恰当地检索。我们将这种现象称为记忆过度依赖（memory over‑reliance）。
在多个基准和记忆架构上实验表明：当过去的经验能够完整迁移到当前任务时，记忆是有帮助的；但若只有部分证据能够迁移，记忆就可能产生误导。尤其在查询与记忆之间仅有部分重叠时，错误最为显著。受此启发，我们设计了 MEMTRIM——一个即插即用的框架：在写入阶段为记忆证据建立索引，在读取阶段对其使用进行控制。MEMTRIM 会剔除重复或冲突的证据，同时保留对当前任务有价值的记忆信息；整个过程不需要重新训练，且兼容基于嵌入的记忆和结构化记忆系统。
实验结果显示，MEMTRIM 能显著降低记忆过度依赖，同时在各种模型和记忆设置下保持记忆带来的正向提升。
点评