提出基于派生链路的记忆治理框架保护企业AI Agent隐私

该论文针对企业级 AI 智能体共享存储中存在的两类未解决风险——即敏感数据通过合法计算结果泄露，以及不同部门对同名 KPI 使用冲突逻辑导致的数据不一致——提出了分析性存储单元（AMU）架构。该架构为每个缓存结果附加完整的推导（谱系）图，并实施基于推导的检索策略，仅当请求者对所有涉及列拥有授权时才返回命中结果。 作者通过构造证明指出，在记录完整的前提下，该策略能以 O(n) 最坏情况复杂度阻止从未经授权的敏感列派生的结果被检索，这是一种条件设计保证而非经验性主张。实验数据显示，消除可测量的泄露需要 75-90% 的记录谱系完整性，因此作者将 90% 设定为保守部署目标。在六项实验中，基于谱系的检索消除了传统内容门控内存系统所遭受的 18.8-25.5% 跨部门泄露，同时保持了 81.5-82.6% 的内存复用率，且最坏情况开销仅为 13.8 微秒。一个基于 LLM 生成 SQL 的真实智能体概念验证显示，在 9 轮交互中实现了零泄露并自动捕获了两次冲突，但这仅是可行性演示而非生产环境证据。 事实层面，该研究定义了 AMU 架构及其性能指标与理论保证；推断层面，该机制可作为源层访问控制的补充，支持欧盟《人工智能法案》的合规需求；猜测层面，其实际落地效果高度依赖谱系记录的完整性，若无法达到 90% 的目标阈值，保护效力将显著下降。