更好地与你协作：将用户修正编译为编码代理的运行时强制执行

交互式 LLM 代理虽日益普及，却难以随时间推移更适应用户偏好，常重复违反已修正指令。本文研究偏好访问与合规间的差距，发现现有记忆机制（如 Mem0）仍导致大量违规。为此，我们提出 TRACE，一种即插即用的技能层流水线，能挖掘用户修正、重写为原子规则，并编译为任务完成前的运行时检查。实验表明，TRACE 显著降低了分布内及分布外任务的偏好违规率，有效解决了单纯记忆机制无法处理的重复摩擦问题。