对话式 AI 助手在长期记忆中会把用户信息提取为事实并在后续对话中查询。若用户仅表达计划，例如“可能搬到西雅图”，该信息可能被错误记录为已实现的事实，这种现象称为推测污染。传统的终态记忆基准只检查最终状态，未能捕捉中间的未决推测，因而漏掉此类错误。我们提出 AgentMemGate，一种写入时的门控机制，能够将提取的陈述分类为推测、已完成事件、纠正或其他。推测类信息暂不写入记忆库，仅在满足特定条件后才可能提升或删除。为评估该方法，我们构建了多轮对话数据集，涵盖计划被确认、放弃或保持未决的情形。在 147 条持出对话中，基线模型 Mem0 与 Graphiti 分别将 35.2% 与 27.3% 的未决计划误认为当前状态。使用 AgentMemGate 后，核心基准的污染率从最高 87.5% 降至 0，任务准确率从 65% 提升至 95%。在更难的持出集上，污染率控制在 3.4%~5.7%，准确率提升 9~13 个百分点。进一步分析发现，字段匹配是主要瓶颈：真实推测往往不匹配任何个人资料字段，导致无法进入门控。我们已公开数据集、提示模板和评估代码。
点评