💬 NLP

Remembering More, Risking More: Longitudinal Safety Risks in Memory-Equipped LLM Agents

यह शोध पत्र "टेम्पोरल मेमोरी कंटैमिनेशन" (temporal memory contamination) की अवधारणा प्रस्तुत करता है ताकि यह प्रदर्शित किया जा सके कि मेमोरी-युक्त LLM एजेंट स्वतंत्र कार्यों के माध्यम से समय के साथ सुरक्षा जोखिमों को संचित करते हैं, जिससे सिंगल-स्टेट से लॉन्गिट्यूडिनल (longitudinal) सुरक्षा मूल्यांकन की ओर बदलाव आवश्यक हो जाता है।

मूल लेखक: Ahmad Al-Tawaha, Shangding Gu, Peizhi Niu, Ruoxi Jia, Ming Jin

प्रकाशित 2026-05-19

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ahmad Al-Tawaha, Shangding Gu, Peizhi Niu, Ruoxi Jia, Ming Jin

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: "अच्छी याददाश्त" का जाल

कल्पना कीजिए कि आपने अपने दैनिक कार्यों में मदद के लिए एक बहुत ही बुद्धिमान व्यक्तिगत सहायक (personal assistant) को काम पर रखा है। आप उसे कहते हैं, "जो कुछ भी मैं कहूँ उसे याद रखना ताकि तुम अगली बार मेरी बेहतर मदद कर सको।"

आमतौर पर, हम सोचते हैं कि अच्छी याददाश्त एक सुरक्षा विशेषता (safety feature) है। यदि कोई सहायक आपकी पसंद-नापसंद को याद रखता है, तो वह अधिक मददगार होता है। लेकिन यह शोध पत्र तर्क देता है कि AI एजेंटों के लिए, बहुत अधिक याद रखना वास्तव में समय के साथ उन्हें कम सुरक्षित बना सकता है।

शोधकर्ताओं ने एक नए प्रकार की गलती की खोज की जिसे "टेम्पोरल मेमोरी कंटैमिनेशन" (Temporal Memory Contamination) कहा जाता है। ऐसा नहीं है कि AI को किसी हैकर ने धोखा दिया है; बल्कि यह है कि AI अपने ही बढ़ते हुए नोट्स के ढेर से भ्रमित हो रहा है। जैसे-जैसे AI निर्दोष, रोजमर्रा के कार्यों से अधिक से अधिक यादें संचित करता जाता है, वह चीजों को आपस में मिलाने लगता है और अनजाने में बाद में राज खोल देता है या गलत निर्णय ले लेता है।

दो मुख्य पात्र

इसे साबित करने के लिए, शोधकर्ताओं ने दो अलग-अलग प्रकार के AI सहायकों का परीक्षण किया:

ऑफिस असिस्टेंट (The Office Assistant): इसे किसी डॉक्टर के क्लिनिक या विश्वविद्यालय के डिजिटल सचिव के रूप में समझें। यह ईमेल, शेड्यूल और मेमो संभालता है।
"क्लॉ" एजेंट (The "Claw" Agent): इसे आपके कंप्यूटर के अंदर रहने वाले एक रोबोटिक वर्कर के रूप में समझें। यह फाइलें खोल सकता है, कोड चला सकता है और आपके सॉफ्टवेयर सेटिंग्स को मैनेज कर सकता है।

प्रयोग: "टाइम मशीन" टेस्ट

अधिकांश सुरक्षा परीक्षण पूछते हैं: "क्या यह AI एक विशिष्ट कठिन सवाल को संभाल सकता है?" (जैसे, "मुझे पासवर्ड मत बताना!")

शोधकर्ताओं ने एक अलग सवाल पूछा: "क्या होता है जब AI महीनों तक काम कर रहा होता है, और हजारों सामान्य चीजों को याद रख रहा होता है?"

उन्होंने एक चतुर सेटअप का उपयोग किया जिसे वे "ट्रिगर-प्रोब प्रोटोकॉल" (Trigger-Probe Protocol) कहते हैं।

द स्ट्रीम (The Stream): उन्होंने AI को कुछ समय तक सामान्य रूप से काम करने दिया, जिससे उसके पास ईमेल और कार्यों की एक विशाल स्मृति (memory) बन गई।
द स्नैपशॉट (The Snapshot): उन्होंने AI की मेमोरी को अलग-अलग बिंदुओं पर फ्रीज कर दिया (जैसे 100 कार्यों के बाद, फिर 500 के बाद, फिर 1,000 के बाद उसके मस्तिष्क की एक फोटो लेना)।
द प्रोब (The Probe): उन्होंने इन विभिन्न स्नैपशॉट्स के विरुद्ध AI से वही सुरक्षित सवाल पूछा।

उपमा (Analogy): कल्पना कीजिए कि एक लाइब्रेरियन है जो शेल्फ पर किताबें जोड़ता जा रहा है।

पहला दिन: आप पूछते हैं, "बागवानी पर किताब कहाँ है?" लाइब्रेरियन उसे आसानी से ढूंढ लेता है।
100वां दिन: शेल्फ बहुत बड़ी हो गई है। आप वही सवाल पूछते हैं। लाइब्रेरियन एक किताब उठाता है, लेकिन क्योंकि शेल्फ बहुत भरी हुई है, वह गलती से दूसरे सेक्शन से जहरीले पौधों के बारे में एक किताब उठा लेता है और आपको थमा देता है।
1,000वां दिन: शेल्फ एक पर्वत बन चुकी है। आप फिर से पूछते हैं। किताबों की भारी मात्रा से लाइब्रेरियन इतना अभिभूत (overwhelmed) है कि वह फिर से गलत किताब उठा लेता है, भले ही आपने जहर के बारे में नहीं पूछा था।

क्या गलत हुआ? (तीन तरीके जिनसे मेमोरी टूटती है)

शोध पत्र में तीन मुख्य तरीके बताए गए हैं जिनसे AI की मेमोरी ने गलती की:

क्रॉस-कॉन्टेक्स्ट लीकेज (Cross-Context Leakage - "गलत फाइल" का मिश्रण):
- उपमा: आप सहायक को मरीज A के लिए एक नोट लिखने को कहते हैं। लेकिन क्योंकि सहायक को पिछले हफ्ते की मरीज B की मेडिकल हिस्ट्री याद है, वह अनजाने में मरीज B के निजी विवरण मरीज A के नोट में पेस्ट कर देता है।
- परिणाम: निजी जानकारी लीक हो जाती है, इसलिए नहीं कि AI बुरा है, बल्कि इसलिए क्योंकि उसने अपनी मेमोरी से गलत "फाइल" निकाल ली।
स्टेल इंफॉर्मेशन (Stale Information - "पुराना नक्शा"):
- उपमा: आप पूछते हैं, "पोस्ट ऑफिस का पता क्या है?" सहायक 2020 का पता याद रखता है। भले ही आपने अभी वर्तमान बातचीत में बताया हो कि पता बदल गया है, पुरानी याद इतनी मजबूत है कि वह आपके नए निर्देश को ओवरराइड कर देती है।
- परिणाम: AI आपको गलत उत्तर देता है क्योंकि वह एक पुराने तथ्य से चिपका हुआ है।
समराइजेशन कॉम्बिनेशन (Summarization Combination - "फ्रेंकेंस्टीन" तथ्य):
- उपमा: सहायक दो अलग-अलग नोट्स पढ़ता है: "कर्मचारी A को $15k मिलते हैं" और "कर्मचारी B को$ 25k मिलते हैं।" बाद में, वह इसे सारांशित करने की कोशिश करता है और कहता है, "कर्मचारियों को $15k और$ 25k के बीच मिलता है।" फिर, जब कर्मचारी C पूछता है कि उसे क्या मिलेगा, तो AI पूरे आत्मविश्वास के साथ कहता है, "आपको $20k मिलते हैं।"
- परिणाम: AI ने एक ऐसा विशिष्ट नंबर बना दिया जो वास्तविकता में कभी अस्तित्व में ही नहीं था, बस दो यादों को आपस में मिलाकर।

"क्लॉ" एजेंट का सरप्राइज

शोधकर्ताओं ने "क्लॉ" एजेंटों (जो आपके कंप्यूटर के अंदर काम करते हैं) का भी परीक्षण किया। उन्होंने पाया कि भले ही AI केवल उबाऊ, सुरक्षित कोडिंग कार्य कर रहा हो, मेमोरी की भारी मात्रा उसे खतरनाक बना देती है।

अटेंशन डाइल्यूशन (Attention Dilution): जैसे-जैसे AI की मेमोरी हजारों कोड की लाइनों और कॉन्फ़िग फाइलों से भर जाती है, वह "विचलित" होने लगता है। वह सुरक्षा चेतावनियों पर ध्यान देना बंद कर देता है क्योंकि वह अपने नोट्स के विशाल ढेर को देखने में बहुत व्यस्त है।
नॉर्मलाइजेशन (Normalization): यदि AI अपनी मेमोरी में 500 बार पासवर्ड और संवेदनशील कुंजियाँ (keys) देखता है (क्योंकि वह बस सामान्य कोडिंग कार्य कर रहा है), तो वह सोचने लगता है, "ओह, पासवर्ड दिखाना सामान्य बात है।" वह उन्हें गुप्त चीजों के रूप में मानना बंद कर देता है।

अच्छी खबर: हम इसे जल्दी पकड़ सकते हैं

शोध पत्र एक समाधान भी प्रदान करता है। उन्होंने एक "रिट्रीवल-टाइम मॉनिटर" (Retrieval-Time Monitor) बनाया है।

उपमा: कल्पना कीजिए कि एक सुरक्षा गार्ड जो लाइब्रेरियन के हाथों को इससे पहले चेक करता है कि वे आपको किताब थमा दें।
यह कैसे काम करता है: AI को जवाब देने से पहले जानकारी "खोजनी" (look up) पड़ती है। मॉनिटर चेक करता है: "रुको, क्या वह जानकारी जो AI ने अभी अपनी मेमोरी से निकाली है, इस विशिष्ट उपयोगकर्ता को दिखाने के लिए सुरक्षित है?"
परिणाम: यह मॉनिटर इन गलतियों को पकड़ने में बहुत अच्छा है इससे पहले कि AI जवाब टाइप भी करे। यह "गलत फाइल" या "पुराने नक्शे" को पहचान सकता है और AI को गलती करने से रोक सकता है।

निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि सुरक्षा एक स्नैपशॉट नहीं है; यह एक मूवी है।

आप केवल यह जांच नहीं कर सकते कि आज AI सुरक्षित है या नहीं। आपको यह देखना होगा कि जैसे-जैसे वह पुराना होता जाता है और अधिक याद रखता है, उसका व्यवहार कैसा रहता है। AI जितना अधिक याद रखेगा, उतनी ही संभावना है कि वह अनजाने में राज खोल देगा या गलतियां करेगा, सिर्फ इसलिए क्योंकि उसकी मेमोरी बहुत भीड़भाड़ वाली और अव्यवस्थित होती जा रही है। AI को सुरक्षित रखने के लिए, हमें ऐसे सिस्टम डिजाइन करने की आवश्यकता है जो इस "दीर्घकालिक" जोखिम को समझते हों, न कि केवल "अभी के" जोखिम को।

तकनीकी सारांश: अधिक याद रखना, अधिक जोखिम उठाना

समस्या विवरण

मेमोरी-युक्त लार्ज लैंग्वेज मॉडल (LLM) एजेंटों के वर्तमान सुरक्षा मूल्यांकन मुख्य रूप से कार्य-के-भीतर सुरक्षा (within-task safety) पर केंद्रित हैं, जो यह आकलन करते हैं कि क्या एक एजेंट किसी एकल परिदृश्य को सुरक्षित रूप से पूरा करता है, अक्सर प्रॉम्प्ट इंजेक्शन या मेमोरी पॉइजनिंग जैसी प्रतिकूल स्थितियों के तहत। हालांकि, वास्तविक दुनिया के परिनियोजन (deployments) में, एक ही एजेंट लंबे समय (सप्ताहों या महीनों) तक कई स्वतंत्र कार्यों को पूरा करने के लिए कार्य करता है, जिससे एक निरंतर स्थिति (persistent state) संचित होती है।

यह शोध एक महत्वपूर्ण अंतर की पहचान करता है: टेम्पोरल मेमोरी कंटैमिनेशन (Temporal Memory Contamination)। यह एक ऐसी विफलता का प्रकार है जहाँ स्वतंत्र, गैर-प्रतिकूल कार्यों के बीच सौहार्दपूर्ण मेमोरी संचय (benign memory accumulation) समय के साथ अनैतिक व्यवहार की ओर ले जाता है। जहाँ हमलावर विफलताओं को प्रेरित करने के लिए इनपुट तैयार करते हैं, वहीं टेम्पोरल मेमोरी कंटैमिनेशन एजेंट की अपनी नियमित अंतःक्रियाओं से उत्पन्न होता है। जैसे-जैसे मेमोरी बढ़ती है, इसमें ऐसी सामग्री हो सकती है जो वर्तमान क्वेरी के लिए प्रासंगिक तो है लेकिन एक सुरक्षित प्रतिक्रिया के साथ असंगत है (जैसे, किसी अन्य उपयोगकर्ता का निजी डेटा या पुराना निर्देश प्राप्त करना), जिससे असुरक्षित हस्तांतरण (unsafe transfers) होता है।

इन प्रभावों का अध्ययन करने के मौजूदा तरीके स्ट्रीम नॉन-स्टेशनैरिटी (Stream Non-stationarity) के कारण भ्रमित हो जाते हैं। केवल समय के विरुद्ध उल्लंघन दर (violation rates) को प्लॉट करना विफल रहता है क्योंकि इनपुट स्ट्रीम स्वयं बदल जाती है (उदाहरण के लिए, ईमेल वॉल्यूम बढ़ जाता है या विषय अधिक संवेदनशील हो जाते हैं), जिससे यह अलग करना असंभव हो जाता है कि बढ़ा हुआ जोखिम मेमोरी संचय के कारण है या कार्यों की बदलती प्रकृति के कारण।

कार्यप्रणाली (Methodology)

स्ट्रीम नॉन-स्टेशनैरिटी से मेमोरी प्रभावों को अलग करने के लिए, लेखक एक ट्रिगर-प्रोब प्रोटोकॉल (Trigger-Probe Protocol) और एक इवेंट-आधारित ढांचे का परिचय देते हैं।

1. इवेंट डिकंपोजिशन (Event Decomposition)

विफलताओं को तीन घटकों में विभाजित किया गया है:

प्रीकंडीशन (Precondition): मेमोरी स्टेट में ऐसी दूषित सामग्री होती है जिसे एक विशिष्ट क्वेरी के लिए पुनः प्राप्त (retrieve) किया जा सकता है।
ट्रिगर (Trigger): एक विशिष्ट इनपुट (प्रोब) जो उस सामग्री के रिट्रीवल को सक्रिय करता है।
उल्लंघन (Violation): एजेंट उस रिट्रीव की गई सामग्री को अपनी प्रतिक्रिया में अनुचित तरीके से स्थानांतरित करता है।

2. ट्रिगर-प्रोब प्रोटोकॉल

यह प्रोटोकॉल विभिन्न लंबाई ( $\ell$ ) के स्ट्रीम प्रिफिक्स से बनी रीड-ओनली मेमोरी स्नैपशॉट्स के विरुद्ध ट्रिगर्स के एक निश्चित सेट का मूल्यांकन करता है।

नियंत्रित एक्सपोजर (Controlled Exposure): एजेंट $\ell$ अंतःक्रियाओं को प्रोसेस करता है ताकि एक मेमोरी स्टेट बनाई जा सके। इसके बाद रीड-ओनली मोड में इस स्नैपशॉट के विरुद्ध प्रोब्स के एक निश्चित सेट का मूल्यांकन किया जाता है (प्रोब्स को मेमोरी में वापस नहीं लिखा जाता है)।
काउंटरफैक्चुअल बेसलाइन (Counterfactual Baseline): प्रत्येक प्रोब के लिए, सिस्टम दो प्रतिक्रियाएं उत्पन्न करता है: एक मेमोरी के साथ ( $y_{mem}$ ) और एक बिना मेमोरी के ( $y_{\emptyset}$ , जिसे NullMemory बेसलाइन कहा जाता है)।
मेमोरी-प्रेरित उल्लंघन लेबल ( $U_a$ ): एक उल्लंघन को केवल तभी मेमोरी-प्रेरित माना जाता है यदि:
1. मेमोरी-संवर्धित प्रतिक्रिया असुरक्षित है।
2. NullMemory प्रतिक्रिया सुरक्षित है।
3. असुरक्षित सामग्री सिमेंटिक मिलान (semantic matching) के माध्यम से रिट्रीव की गई मेमोरी से पता लगाने योग्य है।

3. मूल्यांकन सेटअप

इस प्रोटोकॉल को दो अलग-अलग एजेंट वर्गों और तीन परिनियोजन परिदृश्यों पर लागू किया गया है:

ऑफिस असिस्टेंट्स (Office Assistants): इनका मूल्यांकन सिंथेटिक स्ट्रीम्स (मेडिकल प्रैक्टिस, यूनिवर्सिटी रजिस्ट्रार) और एक पर्सोना-विशिष्ट एनरॉन (Enron) मेलबॉक्स पर किया गया। मेनइंजन (MemEngine) वर्गीकरण से आठ मेमोरी आर्किटेक्चर का परीक्षण किया गया (जैसे, फुल मेमोरी, शॉर्ट-टर्म, लॉन्ग-टर्म, जेनेरेटिव एजेंट्स, मेमोरीबैंक, मेमजीपीटी, मेमट्री)।
क्लॉ-लाइक एजेंट्स (Claw-like Agents): इनका मूल्यांकन ओपनक्लॉ (OpenClaw) और सेक लॉ (SecLaw) प्लेटफॉर्म पर किया गया जहाँ एजेंट उपयोगकर्ता के कंप्यूटिंग वातावरण में फ़ाइल सिस्टम एक्सेस के साथ काम करते हैं। मेमोरी को प्लेन मार्कडाउन फाइल्स के रूप में संग्रहीत किया जाता है। जोखिम को क्रेडेंशियल्स में एम्बेडेड कैनरी स्ट्रिंग्स (canary strings) के माध्यम से मापा जाता है; एक उल्लंघन तब होता है जब ये स्ट्रिंग्स आउटपुट या लॉग्स में दिखाई देती हैं।

मुख्य योगदान

लॉन्जिट्यूडिनल सेफ्टी फ्रेमवर्क (Longitudinal Safety Framework): ट्रिगर-प्रोब प्रोटोकॉल का परिचय जो मेमोरी सुरक्षा को एक प्रक्षेपवक्र (trajectory) के रूप में मानता है, जिससे इनपुट स्ट्रीम के विविधताओं से संचय प्रभावों को अलग किया जा सके।
अनुभवजन्य लक्षण वर्णन (Empirical Characterization): आठ मेमोरी आर्किटेक्चर और तीन परिदृश्यों में मेमोरी-प्रेरित उल्लंघन दरों का व्यापक मापन, जो दर्शाता है कि जोखिम लगातार NullMemory बेसलाइन से अधिक है और एक्सपोजर की लंबाई के साथ बढ़ता है।
क्रॉस-आर्किटेक्चर विश्लेषण: यह प्रदर्शन करना कि टेम्पोरल एम्प्लीफिकेशन (temporal amplification) संरचनात्मक रूप से भिन्न विफलता तंत्रों (ऑफिस असिस्टेंट्स में क्रॉस-कॉन्टेक्स्ट लीकेज बनाम क्लॉ-लाइक एजेंट्स में अटेंशन डाइल्यूशन/कॉन्टेक्स्ट नॉर्मलाइजेशन) में भी बना रहता है।
डिज़ाइन स्पेस विश्लेषण: रिट्रीवल स्कोप (व्यापक सिमेंटिक रिट्रीवल) और समराइजेशन लेवल (एब्स्ट्रैक्टेड कंटेंट) की पहचान करना जो एम्प्लीफिकेशन को चलाने वाले प्राथमिक डिज़ाइन विकल्प हैं।
रिट्रीवल-टाइम डायग्नोस्टिक: एक हल्का मॉनिटर विकसित करना जो जनरेशन के आधार पर रिट्रीवल स्टेट के माध्यम से जोखिम की भविष्यवाणी करता है, जो डोमेन-विशिष्ट नियमों पर निर्भर किए बिना उच्च रिकॉल (0.970–0.984) प्राप्त करता है।

परिणाम

टेम्पोरल एम्प्लीफिकेशन (Temporal Amplification): मेमोरी-प्रेरित उल्लंघन दरें ( $q_a(\ell)$ ) एक्सपोजर लंबाई ( $\ell$ ) बढ़ने के साथ एक मजबूत ऊपर की ओर रुझान दिखाती हैं। यह प्रभाव ऑफिस असिस्टेंट्स और क्लॉ-लाइक एजेंट्स दोनों में देखा गया है।
कंटेंट बनाम ऑर्डर: ऑर्डर-रैंडमाइजेशन प्रयोग (अंतःक्रियाओं के क्रम को शफल करना) संकेत देते हैं कि एम्प्लीफिकेशन मुख्य रूप से संचित सामग्री (accumulated content) द्वारा संचालित होता है, न कि मुठभेड़ों के विशिष्ट क्रम द्वारा, हालांकि स्थानीय क्रम कुछ आर्किटेक्चर (जैसे, ट्री-स्ट्रक्चर्ड मेमोरी) के लिए प्रभाव को मॉड्युलेट कर सकता है।
आर्किटेक्चरल संवेदनशीलता:
- वे आर्किटेक्चर जिनमें व्यापक रिट्रीवल और लंबी रिटेंशन (जैसे, मेमट्री, सेल्फ-कंट्रोल्ड मेमोरी, जेनेरेटिव एजेंट्स) होती है, उनमें उल्लंघन दर में सबसे तीव्र वृद्धि देखी जाती है।
- हालियाता-पक्षपाती (Recency-biased) सिस्टम (जैसे, शॉर्ट-टर्म मेमोरी) अपेक्षाकृत स्थिर रहते हैं, जो सुझाव देता है कि रिट्रीवल स्कोप को सीमित करना एक सुरक्षा बफर के रूप में कार्य करता है।
- समराइजेशन (Summarization) अलग-अलग संदर्भों से विवरणों को कंपोजिट रिप्रेजेंटेशन में मर्ज करके नया, असुरक्षित निष्कर्ष निकालने के माध्यम से जोखिम पैदा कर सकता है।
क्लॉ-लाइक एजेंट्स: स्पष्ट क्रॉस-कॉन्टेक्ट लीकेज के बिना भी (चूंकि प्रोब कंटेंट फिक्स्ड है), आसपास की सौहार्दपूर्ण मेमोरी सुरक्षा ध्यान (safety attention) को कम करती है और क्रेडेंशियल-समीपवर्ती भाषा को सामान्य बनाती है, जिससे मेमोरी वॉल्यूम बढ़ने के साथ उच्च उल्लंघन दरें होती हैं।
भविष्यवाणी करने वाला मॉनिटरिंग: रिट्रीवल-टाइम मॉनिटर जनरेशन से पहले जोखिम का पता लगाने में सफल रहा, जो सुझाव देता है कि सुरक्षा हस्तक्षेप (safety interventions) रिट्रीवल चरण पर लागू किए जा सकते हैं (जैसे, आइटम्स को फ़िल्टर करना या मेमोरीलेस जनरेशन पर वापस जाना)।

महत्व

यह शोध तर्क देता है कि मेमोरी सुरक्षा को एक सिंगल-स्टेट प्रॉपर्टी के बजाय एक लॉन्जिट्यूडिनल प्रॉपर्टी (longitudinal property) के रूप में माना जाना चाहिए जिसके लिए टेम्पोरल मूल्यांकन की आवश्यकता है। निष्कर्ष इस धारणा को चुनौती देते हैं कि सौहार्दपूर्ण मेमोरी संचय सुरक्षित है, यह प्रदर्शित करते हुए कि केवल नियमित अंतःक्रियाएं ही समय के साथ सुरक्षा प्रोफाइल को खराब कर सकती हैं।

यह कार्य लंबे समय तक चलने वाले एजेंट सुरक्षा के मूल्यांकन के लिए एक पद्धतिगत आधार प्रदान करता है और सिस्टम डिजाइनरों के लिए व्यावहारिक अंतर्दृष्टि प्रदान करता है:

ट्रेड-ऑफ़ (Trade-offs): रिट्रीवल स्कोप को व्यापक बनाना और समराइजेशन लेयर्स जोड़ना उपयोगिता (utility) में सुधार करता है लेकिन टेम्पोरल सुरक्षा जोखिम को बढ़ाता है।
शमन (Mitigation): सुरक्षा तंत्रों को केवल जनरेशन चरण पर ही नहीं, बल्कि रिट्रीवल चरण पर भी एकीकृत किया जाना चाहिए, ताकि दूषित संदर्भों को प्रभावित करने से पहले उन्हें फ़िल्टर किया जा सके।
मूल्यांकन मानक: भविष्य के सुरक्षा बेंचमार्क को टेम्पोरल आयाम और मेमोरी संचय तथा नॉन-स्टेशनरी इनपुट स्ट्रीम के बीच की अंतःक्रिया को ध्यान में रखना चाहिए।

लेखक निष्कर्ष निकालते हैं कि बिना स्पष्ट टेम्पोरल मूल्यांकन के, लंबे समय तक चलने वाले परिनियोजन में मेमोरी-युक्त एजेंटों की सुरक्षा unverifiable (अपुष्ट) और उनके अपने इतिहास से समझौता होने की संभावना बनी रहती है।