多用户多智能体记忆提取：MixUA如何解决共享与隐私难题

多智能体系统正从单打独斗走向群体协作，但一个关键矛盾常被忽视：当智能体互相学习经验时，如何确保每条经验只被该看到的人看到？来自学术界的MixUA系统试图回答这个问题。

自进化智能体的记忆困境

自进化智能体能够从经验中提升技能、记忆和工具代码，无需重新训练基座大模型。群体进化更进一步，让智能体之间共享经验教训。然而，现有系统大多默认“共享即有益”，忽略了多用户、多智能体场景下的两个基本问题：这条经验对谁有用？哪些信息必须保持私密？

例如，用户A教会智能体一种代码调试偏好，这个偏好可能对用户B也有帮助，但用户A的账户信息绝不能因此泄露。类似地，智能体X在任务中积累的技巧可能适用于智能体Y，但如果不加区分地全局共享，就可能把特定用户的隐私事实带入公共记忆。

自进化智能体（self-evolving agents）是一类无需重新训练基座大模型，即可通过积累和复用经验来持续提升自身能力的智能体。其核心机制通常包括：将过往任务中的成功策略、失败教训、用户偏好或工具调用代码沉淀为可检索的记忆条目，并在后续任务中按需召回、组合与复用。这种“经验记忆”可分为技能记忆（如何完成某类操作）、事实记忆（关于用户或环境的知识）和工具记忆（可复用的代码片段）。群体进化则在此基础上让多个智能体互相共享这些记忆条目，从而加速个体学习。然而，记忆的共享粒度若不加控制，技能收益与隐私风险就会同时扩散——这正是多用户多智能体场景下需要治理的关键矛盾。

MixUA：按受益范围分配记忆粒度

MixUA的核心思路是将独立的用户-智能体交互轨迹提炼为“经验教训”，然后根据受益对象和披露限制，把每条教训分配到四种作用域之一：用户-智能体对、单个用户、单个智能体或全局。

这种多粒度设计的关键在于，系统不是简单地把所有记忆塞进一个全局池，而是先判断一条经验对谁有价值、是否包含敏感信息，再决定其可见范围。这既保留了跨用户、跨智能体共享的收益，又为隐私划定了边界。

作用域（scope） 在这里指一条记忆条目的可见与可召回范围，是访问控制策略在记忆系统中的具体落地。MixUA划分的四种作用域构成一个从窄到宽的层级：用户-智能体对作用域仅对特定用户与该智能体的组合可见，最为私密；用户作用域对该用户所交互的所有智能体可见；智能体作用域对该智能体服务的所有用户可见；全局作用域则对所有用户和智能体开放。一条经验教训被分配到哪个作用域，取决于两个判断：其受益对象是谁（对谁有复用价值），以及其披露限制是什么（是否含可识别个人或账户的敏感事实）。这种按受益范围而非按来源简单归类的设计，使系统能在共享收益与隐私边界之间取得平衡。

CrossLearnBench：带隐私探针的混合基准

为了评估这类系统，研究团队提出了CrossLearnBench，一个混合用户-智能体的基准。它把既有的智能体任务与用户偏好、隐私探针配对，专门测试私密事实是否会泄露到其他用户可读的记忆中。

实验设置包含五个用户和七个智能体。结果显示，相比无记忆基线，MixUA将任务通过率最高提升16个百分点；相比单一全局记忆，提升5个百分点。有意思的是，即使任务此前只被其他用户在其他智能体上尝试过，MixUA仍能带来增益。在偏好保持方面，它能保留此前陈述偏好的最高90%；在隐私方面，最多只有0.02%的隐私探针能在禁止作用域中发现植入的私密事实。

隐私探针（privacy probe） 是基准中用于检测记忆泄露的受控测试信号。具体做法是：在某个用户与智能体的交互中植入一条唯一可识别的私密事实（例如特定账户信息或虚构的个人细节），随后在禁止该事实出现的作用域中检索记忆，检查这条事实是否会被其他用户或智能体读到。若探针在不应出现的范围内被召回，即判定为一次泄露。由于探针事实是人工构造且可精确追踪的，这种方法能把“隐私是否泄露”转化为可量化的指标——文中“最多0.02%的隐私探针在禁止作用域中发现植入的私密事实”即指这一比例。隐私探针与用户偏好配对，还能同时评估系统在共享有用经验与守住私密边界两方面的表现。

对多智能体协作的启示

MixUA的意义不止于一个记忆系统。它指出了一个方向：多用户、多智能体系统的规模化，需要细粒度的记忆治理，而非粗暴的全局共享。通过将经验教训与受益范围和披露权限绑定，系统可以在不牺牲隐私的前提下实现跨用户、跨智能体的协同进化。

当然，当前评估仍限于五个用户和七个智能体的规模，真实场景中的用户数量、智能体异构性和隐私法规复杂性都会带来更大挑战。但MixUA提供了一个可扩展的路径，让用户和智能体在共享经验的同时各自保有边界。