[论文解读] SuperLocalMemory: Privacy-Preserving Multi-Agent Memory with Bayesian Trust Defense Against Memory Poisoning

Bhardwaj, Varun Pratap|arXiv (Cornell University)|Feb 17, 2026

Security and Verification in Computing被引用 0

一句话总结

SuperLocalMemory 提出一种本地优先的多代理 AI 内存系统，通过贝叶斯信任评分和自适应、保护隐私的学习排序来防御记忆中毒，且无需云端或大语言模型推断。

ABSTRACT

We present SuperLocalMemory, a local-first memory system for multi-agent AI that defends against OWASP ASI06 memory poisoning through architectural isolation and Bayesian trust scoring, while personalizing retrieval through adaptive learning-to-rank -- all without cloud dependencies or LLM inference calls. As AI agents increasingly rely on persistent memory, cloud-based memory systems create centralized attack surfaces where poisoned memories propagate across sessions and users -- a threat demonstrated in documented attacks against production systems. Our architecture combines SQLite-backed storage with FTS5 full-text search, Leiden-based knowledge graph clustering, an event-driven coordination layer with per-agent provenance, and an adaptive re-ranking framework that learns user preferences through three-layer behavioral analysis (cross-project technology preferences, project context detection, and workflow pattern mining). Evaluation across seven benchmark dimensions demonstrates 10.6ms median search latency, zero concurrency errors under 10 simultaneous agents, trust separation (gap =0.90) with 72% trust degradation for sleeper attacks, and 104% improvement in NDCG@5 when adaptive re-ranking is enabled. Behavioral data is isolated in a separate database with GDPR Article 17 erasure support. SuperLocalMemory is open-source (MIT) and integrates with 17+ development tools via Model Context Protocol.

研究动机与目标

• 推动一种消除云依赖的内存架构，以降低多代理 AI 的记忆中毒风险。
• 开发具可溯源跟踪与事件驱动协调的四层本地内存栈。
• 引入贝叶斯信任框架以检测并阻断被污染的记忆，同时保护用户隐私。
• 提供自适应、零大语言模型的学习排序机制，以基于用户行为个性化检索。
• 在通用硬件上展示实际性能与符合 GDPR 的数据处理方式。

提出的方法

• 四层内存栈：存储（SQLite + FTS5）、分层索引、莱登聚类的知识图、通过 Beta-Binomial 贝叶斯模型的模式学习。
• 带有 SQLite 支持的事件日志、代理注册表和多渠道交付（SSE/WebSocket/Webhook）的事件协调层。
• 自适应学习层，具有三层行为分析（跨项目技术偏好、项目上下文、工作流模式挖掘）以及三阶段再排序（基于规则、机器学习、带合成引导的）
• 隐私保护学习：学习数据存储在与内存存储分离的 learning.db，以支持 GDPR 第 17 条通过一条命令删除的擦除。
• 使用 Beta-Binomial 后验推断的贝叶斯信任评分，为每个代理生成信任分数，并在低于阈值时执行写入/删除限制。

实验结果

研究问题

• RQ1 一个完全本地、无云的内存架构在保护用户隐私和控制权的同时，是否能够抵御 ASI06 的记忆中毒？
• RQ2 四层内存栈与贝叶斯信任评分的组合是否能有效检测并降低恶意代理的影响？
• RQ3 自适应、零大语言模型的学习排序是否能在无外部推断的情况下提升同主题检索质量？
• RQ4 在多代理写入场景下，本地优先内存系统的性能特性（延迟、并发性、可扩展性）如何？
• RQ5 符合 GDPR 的数据处理对可用性与系统治理有何影响？

主要发现

• 在典型内存规模（100 条记忆）下实现中位搜索延迟 10.6 毫秒。
• 在最多 10 个同时代理的情况下，写入仍保持零并发错误，启用 WAL 的写入。