在隐私法规不断收紧的背景下，“被遗忘权”已经从法律文本，逐步变成对AI系统的现实工程要求。对于传统信息系统而言，这个要求相对清晰：找到用户数据，删除或匿名化，完成审计。
但当系统的核心能力来自机器学习模型时，问题开始变得棘手。因为模型并不是简单地“存储”数据，而是在训练过程中，将数据的统计特征内化为行为偏好。在这种情况下，删除原始数据，并不等于消除数据带来的影响。
如何构建“遗忘权”兼容的智能体，当用户要求被遗忘时，我们是否、以及如何让智能体的行为无限接近“从未见过该用户”？
一、法律要求很清晰，技术现实却并不配合
从GDPR到各国的数据保护法，被遗忘权的表述很明确：当用户提出请求时，系统应当删除其个人数据，并停止进一步处理。
AI时代的问题在于，这些法规大多诞生于模型尚未成为系统核心的时代。哪个年底隐含的前提是：数据是可定位、可删除、可验证的实体。
而在现代智能体系统中，尤其是基于大模型的系统里，数据的影响是分布式、连续且不可逆地融入参数空间的。单个用户的数据，可能只占训练集的极小比例，但它确实在某种程度上改变了模型的行为分布。
二、“从模型中删除一个用户”的技术不可行性
在学术界和工业界，关于“机器遗忘”的研究已经持续多年。但如果我们把标准设定为“完全消除某个用户对模型的影响”，结论是：在大规模预训练模型中，这在现实条件下几乎不可行。
原因并不复杂：
第一，模型参数是高度耦合的。
单个样本的影响并不是集中在某一组权重上，而是以微小、分散的形式存在于整个参数空间中。</
介绍)
