核心发现
方法论
本文提出了一种治理共享内存的系统架构，定义了范围检索、时间替代、来源追踪和策略控制传播四个原语。这些原语在MemClaw中实现，并通过ArgusFleet进行评估，揭示了生产环境中的架构问题。
关键结果
- 在MemClaw中，100%深度为四的推导链在每跳亚秒级延迟下成功重建，确保了正确的写入者身份。
- 传播测试显示高舰队内可见性，无跨舰队泄漏，写入到可见的延迟优化为一次搜索往返。
- 发现了不对称范围执行和管道排序冲突等生产架构问题。
研究意义
该研究为多代理LLM系统提供了一个全面的内存治理框架，解决了单代理环境下无法处理的复杂性问题。通过引入系统级抽象，该方法提高了内存管理的安全性和一致性，具有重要的学术和工业应用价值。
技术贡献
本文的技术贡献在于将共享内存问题形式化为治理操作状态，提出了新的系统级抽象，并通过实际生产服务的评估揭示了设计中未能发现的问题。
新颖性
这是首次将共享内存治理问题形式化为多代理系统的操作状态，并通过实验证明了其有效性，填补了现有工作中对时间矛盾解决和替代的空白。
局限性
- 在GET-by-id请求中，子租户范围最初未得到执行，导致范围泄漏问题。
- 同步近重复门可能会在异步矛盾检测器评估前拒绝矛盾写入。
未来方向
未来的工作可以集中在优化内存治理的效率和扩展性上，特别是在大规模多代理环境中的应用。
AI 总览摘要
多代理大语言模型(LLM)系统的兴起带来了共享内存治理的挑战。传统的单代理内存系统无法满足多代理环境下的复杂需求，如访问控制、时间一致性和来源追踪。
本文提出了一种新的系统架构，称为MemClaw，通过定义范围检索、时间替代、来源追踪和策略控制传播四个原语来解决这些问题。通过在生产环境中进行评估，MemClaw展示了其在治理共享内存方面的有效性，特别是在防止未经授权的泄漏和确保高效的内存传播方面。
然而，研究也揭示了一些架构问题，如不对称范围执行和管道排序冲突，这表明在设计阶段未能发现的问题需要通过实际评估来揭示。未来的研究方向包括进一步优化内存治理的效率和扩展性，以适应更大规模的多代理系统。
深度分析
研究背景
随着大语言模型的广泛应用，多代理系统逐渐成为主流。这些系统需要共享内存来协调不同代理之间的行为。然而，传统的内存系统主要针对单代理环境设计，无法满足多代理环境下的复杂需求，如访问控制、时间一致性和来源追踪。
核心问题
多代理系统中的共享内存治理面临四种主要失败模式：未经授权的泄漏、陈旧传播、矛盾持久性和来源崩溃。这些问题不仅影响系统的安全性和一致性，还可能导致操作上的不稳定。
核心创新
本文提出了一种新的系统架构，通过定义范围检索、时间替代、来源追踪和策略控制传播四个原语来解决共享内存治理问题。这些原语在MemClaw中实现，并通过ArgusFleet进行评估，展示了其在实际生产环境中的有效性。
方法详解
- �� 范围检索：确保只有授权的代理可以访问特定内存。
- �� 时间替代：通过时间排序和策略控制解决矛盾写入。
- �� 来源追踪：记录每个内存对象的写入者身份和修改历史。
- �� 策略控制传播：通过策略过滤和时间解析确保内存的安全传播。
实验设计
实验使用ArgusFleet评估MemClaw的性能，重点测试了四个治理维度：泄漏、矛盾、来源和传播。每个实验都在实际生产环境中进行，以揭示设计阶段未能发现的问题。
结果分析
实验结果表明，MemClaw在所有测试中都能有效地防止未经授权的泄漏，并确保高效的内存传播。此外，实验还揭示了一些架构问题，如不对称范围执行和管道排序冲突。
应用场景
该系统可用于需要高效内存治理的多代理环境，如企业协作系统、客户支持平台和自动化工作流。
局限与展望
尽管MemClaw在治理共享内存方面表现出色，但仍存在一些局限性，如在GET-by-id请求中，子租户范围最初未得到执行。此外，管道排序冲突也可能影响系统的性能。
通俗解读 非专业人士也能看懂
想象一个图书馆，多个图书管理员需要同时管理和更新书籍信息。每个管理员都有自己的权限和职责，他们需要确保信息的准确性和一致性。MemClaw就像一个智能系统，帮助这些管理员有效地管理书籍信息，防止信息泄漏和错误传播。
简单解释 像给14岁少年讲一样
想象你和朋友们一起玩一个大型多人在线游戏，每个人都有自己的任务和角色。MemClaw就像一个超级智能的游戏管理员，确保每个人都能获取正确的信息，不会因为信息错误而导致任务失败。它就像一个无形的助手，帮助你们顺利完成游戏任务。
术语表
多代理系统
由多个独立的代理组成的系统，这些代理可以相互协作完成复杂任务。
在本文中，多代理系统需要共享内存来协调行为。
共享内存
在多个代理之间共享的内存，用于存储和交换信息。
共享内存是多代理系统中协调代理行为的关键。
治理
通过策略和规则控制系统行为的过程，确保安全性和一致性。
本文提出了一种治理共享内存的系统架构。
来源追踪
记录信息来源和修改历史的过程，确保信息的可追溯性。
来源追踪是确保内存系统可审计性的重要组成部分。
时间替代
通过时间排序解决信息矛盾的方法，确保信息的一致性。
时间替代用于解决多代理系统中的矛盾写入问题。
开放问题 这项研究留下的未解疑问
- 1 如何在更大规模的多代理环境中有效地治理共享内存仍需进一步研究。
- 2 现有方法在处理复杂的时间矛盾时效率较低，需优化。
应用场景
近期应用
企业协作系统
帮助企业在多个部门之间共享和管理信息，确保信息的安全性和一致性。
远期愿景
自动化工作流
在未来的自动化系统中，MemClaw可以作为核心组件，帮助管理复杂的任务和信息流。
原文摘要
Multi-agent LLM environments require robust mechanisms for shared knowledge management. This paper formalizes the fleet-memory problem and identifies four foundational failure modes: unauthorized leakage, stale propagation, contradiction persistence, and provenance collapse. To address these, we define explicit systems-level primitives: scoped retrieval, temporal supersession, provenance tracking, and policy-governed memory propagation. These primitives are implemented in MemClaw, a production multi-tenant memory service, and evaluated via ArgusFleet, a reproducible harness testing four governance dimensions. Rather than a baseline comparison, this study measures a live production service, emphasizing real-world architectural insights and negative results. Key Evaluation Results Provenance: Successfully reconstructed 100% of depth-four derivation chains with correct writer identity at sub-second per-hop latency. Propagation: Demonstrated high intra-fleet visibility with zero cross-fleet leakage. Under strong write mode, write-to-visible latency was optimized to a single search round-trip. Production Architectural Issues Discovered Asymmetric Scope Enforcement: Tenant isolation held, but sub-tenant scope was initially bypassed on direct GET-by-id requests for agent-scoped credentials (disclosed and remediated during the study). Pipeline Ordering Conflict: While contradiction supersession works for admitted writes, a synchronous near-duplicate gate can prematurely reject contradictory writes before the asynchronous contradiction detector can evaluate them. Conclusion: Long-context retrieval alone is insufficient for production multi-agent memory. Governed shared memory demands explicit systems-level abstractions, and live evaluation is vital to expose enforcement and pipeline-ordering failures missed by design-only treatments.