Forge Decision Context让智能体跨会话记住纠正

摘要：论文提出持久行为学习系统 Forge Decision Context（forge_dc），把人工纠正和智能体自检出的工具调用失败编译为命令式 RULE 指令，并只在对应决策点注入上下文。在 DC-Bench 的71个场景、九类行为维度上，该方法报告95%的合规率，相比朴素检索的55%提升明显，同时每次查询注入的Token约少10倍。其关键价值在于把记忆从事实检索转向程序性知识，但结果仍受模拟工具环境、基准规模和评测设计限制。

---

核心思路：把“记住事实”改成“记住该怎么行动”

传统智能体记忆系统通常保存用户偏好、实体信息和历史对话，再通过向量检索或摘要把相关内容塞回提示词。这种方式适合回答“用户喜欢什么”之类的事实问题，却难以稳定解决跨会话的程序性问题：用户纠正过某个错误后，智能体在新会话里仍然重复犯错。

Forge Decision Context（forge_dc）将行为记忆拆成三个工程环节：

1. 从人工纠正和智能体自我发现的工具调用失败中提取行为信号；
2. 将这些信号编译成命令式 RULE 指令，明确描述应该采取或停止某种行为；
3. 根据当前决策点选择相关规则，而不是把所有历史规则一次性注入。

因此，记忆单元不再是“与用户偏好相关的一段文本”，而是“某个工具、某类条件、某项禁止行为或执行要求”的可执行约束。其设计把智能体长期行为改进拆成三个核心问题：如何表示行为、何时激活行为、在哪里注入行为。

机制分析：为什么显式指令优于普通检索

朴素检索会把历史纠正作为语义相关文本召回。这种方式存在两个工程问题。

第一，事实片段与行为指令的语义结构不同。用户说“不要再用那个不稳定的接口”是一条针对动作的约束，而“该接口在昨天超时”只是事件信息。直接拼接后，模型仍需在上下文里自行完成模式识别、否定处理和条件映射。

第二，检索的输入与目标动作并不完全对齐。真正决定合规性的通常是工具类型、任务阶段、参数模式或错误类型，而不是整段对话的语义相似度。forge_dc通过显式规则和决策点绑定，让提示词直接对应动作条件，降低模型从历史叙述中重新推理规则的成本。

从系统实现看，规则选择本质上承担了一个小型条件路由器的作用：系统根据当前任务上下文选择适用的 RULE，再将有限规则集插入决策提示。这种设计接近编译器中的条件化中间表示：把来源多样、表达不统一的行为反馈，规范化为可检索、可版本化、可注入的控制片段。

DC-Bench与实验结果

论文同时提出 DC-Bench，包含71个场景和九类行为维度，场景由真实执行的智能体轨迹构建，并运行在确定性模拟工具环境中。forge_dc与四种既有记忆方法对比，报告合规率达到95%，而朴素检索基线为55%。

按论文口径，系统每次查询注入的Token量约为朴素检索的十分之一。这一结果说明，减少上下文不是单纯删减内容，而是通过表示和放置降低每次决策的提示开销。对于长轨迹Agentic Workflow，较小且相关的规则上下文可以减轻注意力噪声，并降低每次模型调用的输入成本。

不过，95%合规率不应直接等同于真实生产中的任务成功率。DC-Bench衡量的是规则遵循，而真实智能体还可能因工具返回错误、规划失败、环境状态变化或规则冲突而失败。论文中的确定性模拟环境提高了行为复现性，却也减少了外部系统的不确定性和工具耦合。

工程权衡：可解释性、召回率与规则污染

forge_dc的主要收益是把持久行为记忆变成可检查的显式规则。工程师可以直接审阅、删除或修订某条 RULE，这比隐藏在向量库中的模糊语义片段更容易治理，也有利于定位模型为何违反某项约束。

代价是系统需要解决规则质量与生命周期管理问题。

• 规则冲突：用户在不同时间给出相互矛盾的要求时，需要定义优先级、作用域和撤销语义。
• 规则泛化：如果规则过度贴合单次对话，迁移到新任务时会失效；如果抽象过度，又可能误触发。
• 错误固化：智能体自评出的失败并不一定意味着用户的真实偏好，若缺少审核机制，错误诊断会变成长期规则。
• 上下文成本：按决策点选择规则降低了Token消耗，但需要可靠判断“当前动作是否触及该规则”。当规则数量增长时，分类精度和路由开销都会上升。
• 规则污染与隐私：行为纠正可能包含账号、路径、业务流程等敏感信息，长期存储和注入需要访问控制、过期策略及数据最小化。

相比普通RAG，方法还要求规则与决策点建立更严格的语义绑定。单纯按向量相似度召回，未必能保证规则在正确的工具调用前出现。生产实现通常需要结合工具类型、参数模式、任务阶段和规则作用域，而不只是文本嵌入。

评测客观性：结果可用，但边界仍需验证

DC-Bench的优点是针对真实执行轨迹构建，并把行为规则落实为可执行合规指标，而不是只比较记忆文本是否被召回。其确定性工具环境也有助于定位失败究竟来自记忆、激活还是放置。

但基准规模仅有71个场景，九个行为维度上的样本分布、规则冲突频率和场景去重方式会显著影响结果上限。还需确认95%的合规率是否包含部分得分、规则成功注入后的行为修正，以及人工纠正和自检失败两类信号是否采用相同统计口径。

下一步评测应覆盖真实工具API、长轨迹任务、规则冲突、用户改口和跨模型迁移，并分别报告：规则提取准确率、正确激活率、错误激活率、任务成功率、平均注入Token数与端到端延迟。若只报告最终合规率，就无法判断提升究竟来自更好的记忆表示，还是来自更强的上下文提示。

开发者落地建议

对于希望实现跨会话行为学习的团队，可以先采用较轻量的规则记忆方案，而不必直接训练模型权重：

1. 将纠正内容转换为带作用域、来源、置信度和过期时间的结构化规则；
2. 以工具类型、任务阶段、参数模式等显式条件匹配规则，而非只依赖向量相似度；
3. 在动作生成前注入少量相关规则，并记录是否命中、是否帮助最终行为合规；
4. 为冲突规则、撤销指令和低置信度自检结果设置人工审核门槛；
5. 同时监控合规率、误触发率、Token成本和延迟，防止为了提升规则命中率而扩大上下文。

forge_dc展示的核心趋势是：智能体记忆系统不应只回答“曾经发生过什么”，还要回答“在这个决策点应该怎样做”。只有表示、激活和放置三个环节同时成立，跨会话纠错才可能从一次性的提示技巧变成稳定的系统能力。

---

消息来源：ArXiv AI (cs.AI) (2026-11-09)

—— 完 ——

主题标签： #Forge Decision Context 关注 #持久行为学习 关注 #智能体记忆 关注 #决策上下文 关注 #Agentic Workflow 关注