一篇 LLM Agent 多用户协作记忆管理工作，目前挂在 Arxiv 25.05 上，针对多用户、多 Agent 场景下信息不对称和动态权限问题，提出了 Collaborative Memory 框架
背景
现有的 LLM Agent 记忆系统（如 MemGPT、MemTree、GraphRAG）主要集中在单用户、单 Agent 场景，假设集中式、全局可见的记忆存储。然而，在真实的企业级协作场景中（如企业助理、多用户生产力平台、分布式工作流系统），天然存在：
-
信息不对称：不同用户有权访问不同的 Agent，每个 Agent 又连接不同的资源，记忆系统必须强制执行这些不对称性以防止未经授权的信息共享
-
动态访问模式：随着角色、策略和任务需求的变化，用户的权限可能随时被授予或撤销
因此本文提出了 Collaborative Memory 框架，其主要研究一个核心问题：如何在最大化集体记忆效用的同时，确保信息共享符合谁、在何时、共享什么的细粒度权限约束
方法
整体框架
Collaborative Memory 的核心设计包含三大组件：动态二部访问图、双层记忆系统和细粒度读写策略。
动态二部访问图
将所有权限关系建模为随时间演变的二部图：
-
用户-Agent 图 \(G_{\mathcal{U},\mathcal{A}}(t) \subseteq \mathcal{U}\times \mathcal{A}\)：表示用户在时刻 \(t\) 可以调用哪些 Agent
-
Agent-资源图 \(G_{\mathcal{A},\mathcal{R}}(t) \subseteq \mathcal{A}\times \mathcal{R}\)：表示 Agent 在时刻 \(t\) 可以访问哪些资源（工具、API、数据库等）
这种形式化方法支持权限的实时授予和撤销，为后续的记忆访问检查提供依据。
双层记忆系统
为了平衡隐私保护和知识共享，每个 Agent 维护两套记忆：
-
私有记忆 \(\mathcal{M}^{\mathrm{private}}\)：仅对产生该记忆的原始用户可见，存储敏感或个人化的信息
-
共享记忆 \(\mathcal{M}^{\mathrm{shared}}\)：可以在满足权限约束的条件下跨用户共享，存储通用知识
每条记忆片段 \(m\) 都带有不可篡改的溯源属性：创建时间 \(\mathcal{T}(m)\)、贡献用户 \(\mathcal{U}(m)\)、涉及的 Agent 集合 \(\mathcal{A}(m)\) 和访问的资源集合 \(\mathcal{R}(m)\)。这些属性支持回溯式权限校验。
细粒度读写策略
读策略 \(\pi_{u,a,t}^{\mathrm{read}}\)：当 Agent \(a\) 服务用户 \(u\) 时，只能读取满足条件的记忆片段：
即：记忆涉及的所有 Agent 必须都是当前用户可调用的，涉及的所有资源必须都是当前 Agent 可访问的。
写策略：分为私有写 \(\pi^{\mathrm{write/private}}\) 和共享写 \(\pi^{\mathrm{write/shared}}\)，可以对输出进行匿名化、脱敏、改写后再存入对应记忆层。
读写策略可以在系统级、用户级、Agent级、时间级等多个粒度进行配置，具有很高的灵活性。
Query Decoding 式的信息流转
结合论文中的 Pipeline 图可以发现，整个多 Agent 协作的处理流程可以概括为 Coordinator → Agents → Aggregator 的三阶段模式：
-
Coordinator：接收用户 Query，根据访问图和任务需求，选择下一个要调用的 Agent，输出
{"agent": ID, "subquery": ...} -
Agents：被选中的 Agent 根据读策略获取可访问的记忆片段，结合可访问的资源生成响应，响应内容通过写策略更新记忆
-
Aggregator：当 Coordinator 判定任务完成（输出
{"stop": true}）后，Aggregator 将所有 Agent 的中间输出合成为最终回答
实验
实验设置
-
LLM 基座：所有组件（Coordinator、Agents、读写模块、Aggregator）均使用 GPT-4o，向量嵌入使用
text-embedding-3-large -
三个场景：
-
全协作记忆：所有用户无限制访问共享记忆池
-
非对称协作记忆：用户具有不同权限级别，部分用户只能访问 Agent 子集
-
动态演化协作记忆：权限随时间动态授予和撤销
-
场景 1：全协作记忆（MultiHop-RAG 数据集）
-
数据集：609 篇新闻文章（6 个领域：科技、娱乐、体育、科学、商业、健康），2556 条多跳问题
-
配置：5 个用户，6 个领域专家 Agent，每个 Agent 独占一个知识库
-
结果：共享记忆相比隔离记忆，资源使用量最多降低 61%（50% 查询重叠率），准确率保持在 0.90 以上
场景 2：非对称协作记忆（合成业务数据集）
-
数据集：200 条商业项目查询（市场分析、物流规划、财务预测等）
-
配置：4 个用户角色（市场研究员、财务分析师、物流主管、策略总监），权限层级化（策略总监可访问所有 Agent）
-
结果：即使有限的跨用户可见性，也比完全隔离配置显著减少了 Agent 调用和知识库查询次数
场景 3：动态演化协作记忆（SciQAG 数据集）
-
数据集：5 个 Agent 分别对应 5 个科学类别（分析化学、能源燃料、材料科学等），100 条查询
-
动态过程：这里的动态变化只发生在用户与 Agent 之间的连接上。每 100 条查询为一个时间块，依次增加用户-Agent 边数（5→10→15→20→25），再逐渐撤销（20→15→10→5）
-
结果：准确率随权限增减同步变化，但资源查询次数持续下降——说明记忆机制有效复用了之前检索的信息，减少了对外部资源的重复访问
局限性
-
数据获取困难：真实多用户协作场景受隐私法规限制，实验依赖现有基准和合成数据
-
规模问题：中小规模实验（5 用户、5-6 Agent），尚未在大型企业级高并发环境中验证
-
LLM 幻觉：尽管有权限检查机制，LLM 的概率特性仍可能导致偶然的策略违规
-
延迟评估简化：用资源调用次数替代真实 API 延迟分析
总结
Collaborative Memory 是首个系统性地将细粒度访问控制引入 LLM Agent 多用户记忆共享的框架，个人觉得是一个很好的工作，但是可惜评估方面略为苍白，没有 baseline 看不出效果