记忆帮助基于大语言模型（LLM）的多智能体系统复用经验，但存储的建议可能存在缺陷或在不适当的情境下被调用。仅凭团队整体的成功或失败难以判断记忆是否需要修正或应当被舍弃。为此我们提出 DiscernMem——一个无需额外训练的框架，旨在提升记忆质量并指导其合理使用。\ \ Defect-Aware Memory Refinement (DMR) 通过将同一任务的执行分别在有记忆和无记忆两种条件下进行比较，诊断出规则缺陷。随后在当前任务以及历史任务上测试修复方案，确保不会因纠正错误而丢失已有的有用行为。\ \ Boundary-Learning Meta-Memory (BLM) 为每条记忆记录过去的使用次数与效果，并基于任务上下文和收到的消息学习何时应由其所属角色调用或回避该记忆，从而实现对记忆使用边界的自适应把握。\ \ 在四个基准上使用 Qwen3-4B-Instruct-2507 进行实验，DiscernMem 在 AutoGen、CAMEL 与 MacNet 上取得最高平均得分，较最强基线提升 0.51‑4.32 分。它在代码生成和符号规划任务中均领先，其中在 CAMEL 的 PDDL 评测中得分 37.71，远超对照的 28.48。\ \ 点评