BaRe-Mem: Bayesian Reliability Memory for Robust and Adaptive Agent Consultation
贝叶斯可靠性记忆：多智能体咨询的鲁棒自适应机制
🧭 多智能体可信咨询 · 在线贝叶斯记忆 ★ 深度解读
DeCLaRe Lab, Nanyang Technological University · Peking University
用在线贝叶斯可靠度记忆同时决定信任谁与是否咨询，使中心模型在误导信息下保持鲁棒
📌 工作参考价值（4 点）
- 在线贝叶斯可靠性记忆适合流式稀疏反馈，用少量 verify label 即可更新模型/工具/召回源的可靠度；电商/推荐中标注昂贵，可先以 1% 流量反馈冷启动。
- 无参数 attention bias：对低可靠来源 token 的 attention logit 加 γ log(p/max_p)，可直接嵌入现有多路 RAG、多模型融合或 Agent 集成，无需 finetune，适合防止不可靠外部知识污染主模型。
- 是否咨询/调用外部能力的决策规则值得借鉴：比较“可靠证据收益” T(ρ-κ) 与“不可靠证据损失” (1-T)δ，并计算可信阈值 T*；可迁移到 Agent 中决定是否调用工具/咨询其他模型，或推荐系统中决定是否触发外部广告/LLM 重排。
- Worker routing：把可靠度记忆用于子任务到 worker 的分配，比历史成功率更快识别 capable worker；可借鉴到多模型/多策略路由和级联系统，降低无效调用成本。