一篇 9 月 18 日提交的 arXiv 论文（arXiv:2609.22043）提出一个直白的问题：大模型记忆系统几乎都在优化"怎么把记忆取回来"，却很少有人问"取回来的记忆该不该信"。当记忆库里存在互相矛盾的立场时，标准 RAG 会把冲突记忆盲目注入上下文，反而放大幻觉——在易受记忆注入影响的模型上，冲突记忆下的 RAG 幻觉率显著高于不带记忆的基线。
[1][2]论文给出的方案叫 Memory Decision Layer（MDL）：一个零参数、全白盒的记忆决策控制器，卡在检索与生成之间。它的核心是一个三信号互补编码器，把相关性（relevance）、可靠性（reliability）与任务风险（task risk）通过 QR 正交子空间投影融合成可解释的信任度表示，再显式解耦"置信度"与"一致性"，引入风险反转与显式弃权——即让模型在拿不准的时候承认拿不准，而不是硬答。作者说机制灵感来自前额叶皮层的记忆信号处理。
结果数字要按口径读：在主流大模型与多个开源数据集上，冲突记忆场景的幻觉率下降约 56.04%，高风险场景"接近零幻觉"；每次决策约 0.14 毫秒，比前置的 embedding 检索快约 50 倍，比让 LLM 自我评估快 4 到 5 个数量级。这是一份自报结果、未经同行评审的预印本，但它的可验证性比一般论文好：控制器零参数、纯几何运算，任何团队都能在几小时内复现。
为什么这个问题值得认真对待？因为"记忆"正在成为 agent 系统的默认基础设施——检索增强、记忆库、多轮状态都在往上下文里塞历史信息，而塞进去的信息可能彼此矛盾、可能过时、可能来自不可信来源。MDL 把"该不该信这条记忆"从隐式行为变成显式决策，这是把记忆从"缓存"升级为"有判断力的组件"的方向性尝试。
局限也要说清楚：56.04% 的降幅依赖"模型对记忆注入敏感"这一前提，对本身抗注入的模型增益有限；"高风险场景接近零幻觉"是在特定评测构造下的结果，不是通用保证；弃权机制在需要必答的生产场景里如何取舍，论文没有完全展开。但方向是对的——与其继续堆检索效率，不如先解决"取回来的东西是否可信"这个更基础的问题。
[1][2]