MemTrace：针对LLM记忆系统错误的追踪与归因框架
原帖
**MemTrace：追踪和归因大型语言模型记忆系统中的错误**
_MemTrace: Tracing and Attributing Errors in Large Language Model Memory Systems_
> 本文针对大型语言模型（LLM）记忆系统不可靠且难以调试的问题，提出了一种新的错误追踪与归因框架MemTrace。该框架将记忆管道转化为可执行的记忆演化图，实现信息流的细粒度追踪。研究者构建了MemTraceBench基准，涵盖长上下文、RAG、Mem0和EverMemOS等代表性记忆系统，以系统分析记忆失败模式。通过自动归因方法，迭代追踪操作子图以定位失败根因。分析显示，记忆失败具有系统性，源于操作级问题如信息丢失和检索错位。利用这些细粒度归因信号指导提示优化，形成闭环系统，自动纠正故障并将端任务性能提升高达7.62%。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-28 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.28732)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
本文介绍了MemTrace框架，该框架通过将记忆管道转化为可执行的记忆演化图，实现对LLM记忆系统错误的细粒度追踪与自动归因，以解决其不可靠且难以调试的问题。
答案说明
MemTrace是一个错误追踪与归因框架，它通过构建记忆演化图来定位LLM记忆系统（如长上下文、RAG）中的操作级失败根因，并利用归因信号指导提示优化，从而自动纠正故障并提升端任务性能。
这篇帖子回答的问题
- MemTrace框架如何追踪和归因LLM记忆系统中的错误？
- LLM记忆系统的失败模式主要是什么？
核心观点
- MemTrace框架通过构建可执行的记忆演化图，实现对LLM记忆系统错误的细粒度追踪与自动归因。
- 利用细粒度的归因信号指导提示优化，可以形成闭环系统，自动纠正故障并将端任务性能提升高达7.62%。
FAQ
- Q: MemTrace框架的核心思想是什么？
- A: 核心思想是将LLM记忆系统中的错误追踪与归因问题，通过构建可执行的记忆演化图（Memory Evolution Graph）来解决，从而实现对信息流和失败根因的细粒度定位。
- Q: 基于MemTrace的归因结果能带来什么实际收益？
- A: 根据文章，利用归因信号可以指导提示优化，形成闭环系统，自动纠正故障，并将端任务性能提升高达7.62%。
关键实体
- MemTrace
- MemTraceBench
- RAG