作者开发了一个名为 SelMem 的 Rust 项目，旨在为大语言模型探索不完美的、路径依赖的记忆。这种方法模仿人类记忆，允许智能体随时间推移压缩、遗忘和重建记忆，而不是存储交互的完美副本。
- 两个相同的智能体经历相同的初始交互，直到其中一个出现分歧。
- 系统移除原始上下文，依靠压缩且可能失真的回忆进行后续轮次。
- 原始输入单独存储以进行比较，但在回忆过程中不使用，以测试记忆的保真度。
- 目标是确定经验差异是否在选择性记忆过程中得以保留，或产生有趣的噪声。
作者邀请其他从事 LLM 智能体和记忆研究的人尝试挑战这一想法，并指出虽然其效用尚未得到证实，但该实验旨在探索此类机制如何影响智能体的独特性。