刚读完MemoRep这篇论文，核心问题直击多智能体系统长期运行中的‘僵尸依赖’——源制品删除后衍生记忆仍存活，导致推理链条基于过期假设。技术上，他们提出的屏障优先级联修复机制本质是给每个记忆项附加依赖图与修复优先级，一旦源失效，按优先级回溯清理或重建。这比传统TTL过期或全量刷新高效得多，但实现难点在于动态场景下依赖图的实时维护成本。
个人经验：在部署企业级RAG系统时，常遇到工具API升级后embedding缓存仍引用旧schema，引发幻觉。MemoRep的‘优先修复屏障’类似给关键依赖打标签，避免修复风暴。不过，论文未量化屏障阈值对任务成功率的影响，这在实际调参中可能是坑。
抛两个问题：1）当多个源制品同时失效且屏障优先级冲突时，如何避免修复死锁？2）对于非结构化技能（如Prompt片段），依赖图如何自动构建而不依赖人工标注？
从行业看，记忆污染是Agent从demo走向生产的最大绊脚石。MemoRep若能与记忆压缩、遗忘曲线结合，可能催生‘自愈型Agent’标准范式。但当前仍缺大规模跨任务Benchmark，期待后续开源实现。