Can Agent Memory Systems Track Evolving State? StateMemBench 精读

论文链接：Can Agent Memory Systems Track Evolving State? 发表时间：2026年8月20日（arXiv v1） 机构：University of Illinois Urbana-Champaign（UIUC，Jiawei Han 组；Xinyi Fan 与 Miri Liu 为共同一作） 领域标签：cs.AI / cs.CL

一、论文背景

1.1 Agent 走向长程，记忆系统爆发

LLM Agent 正被部署到跨会话、持续数天甚至数周的任务上：端到端科研流水线（Co-Scientist、AI Scientist）、自主维护代码库的工程 Agent（Devin、SWE-agent）。Agent 能否持续工作，首先取决于能否记住之前发生过什么。「记忆管理」因此成了 Agent 基础设施的热门方向：扩展上下文窗口（LongRoPE）、分层存储（MemGPT）、反思式记忆流（Generative Agents）、Zettelkasten 原子笔记（A-Mem）、「抽取-更新」管线（Mem0）。

配套的评测基准也大量出现：LoCoMo、LongMemEval、MemoryAgentBench、MemoryArena、τ²-bench 等。但这些系统和基准几乎都在优化同一件事——回忆（recall）：把相关历史事实找回来、塞进上下文、答对问题。

1.2 被忽视的另一半：状态追踪

核心观察：长程事实回忆 ≠ 长程状态追踪。

看开篇的例子。用户早先说「1600 对标注数据、5 个标注员、总预算 600 美元」；几个会话后改口「其实做 1200 条吧」。此时：

• 回忆任务问「猫叫什么名字」——检索到 {cat = Smokey}，事实没变过，检索对了答案就对；
• 状态追踪任务问「现在的预算是多少」——如果检索回来一条旧的 {budget = $600}，而 Agent 没意识到这个派生值已随标注量修订而失效，它就会理直气壮地报出旧值。

论文把这种失败命名为状态漂移（state drift）：相关事实就在组装好的上下文里，Agent 却按过时或不完整的版本行动。注意——这不是检索失败：事实被找回来了，问题出在系统没维护「这个事实现在还有效吗」「这个派生值需要重算吗」。

为什么重要？随着 Agent 任务更长、风险更高（个人财务、订单、科研项目），事实、约束和决策被修订是常态。只会回忆、不会追踪状态的记忆系统，会在每次修订后系统性地给出「自信但过时」的答案。

1.3 现有系统为何没解决它

论文第三节给出了一个很硬的证据：在 LongMemEval 的 oracle 设定下（所有金标证据会话直接放进 prompt，检索召回率按构造等于 1.0，没有任何失败能是检索失败），DeepSeek-V4-Flash 仍答错 306 题中的 36 题；经两个模型家族裁判交叉确认，44.4%（16/36，Wilson 95% CI [30%, 60%]）是状态漂移——「证据保证在手」条件下最大的单一失败类别。漂移还集中在需要整合多源的决策上：多会话问题的失败中 71.4% 是漂移，知识更新类只有 25.0%。

还有两个排除性证据：

1. 不是推理不足：在 50 对 LongMemEval 样本上，只切换 DeepSeek-V4-Flash 的原生推理轨迹开关，正确率 84.0% → 76.0%（McNemar p=0.34，方向都不显著）。多想一步并不能修复状态维护。
2. 不是标注噪音：双裁判解码在漂移二值判断上一致率 κ=0.67；两位盲评的人类标注者自由描述全部映射到已有类别，且人类标的漂移更少——裁判给出的漂移率已是保守上界。

于是问题变成：现有记忆系统面对「被修订的状态」时会怎么错、错多少、为什么错，以及怎样显式维护状态——这正是 StateMemBench 与 StateMem 要回答的。

二、论文定位和关联工作

这篇论文横跨三条研究线：长期记忆系统、对话状态追踪（DST）、记忆评测基准。定位的关键是理解它与每条线的差异。

2.1 长期记忆系统：优化回忆为主流，状态维护是支流

论文自己的表述：回忆与状态追踪正交——即使检索完美，系统仍需解决「浮上来的多个事实中哪个当前有效」。真正尝试状态维护的系统里，Zep 只追踪单条事实的 validity，不做依赖传播；同期 STALE 用 LLM 裁决器传播更新，StateMem 则用无 LLM 的确定性依赖图遍历（O(|E|)，零额外调用）。此外 STALE 的冲突隐式构造、检测需常识推理；StateMemBench 显式提供冲突，把「状态维护」与「发现冲突」解耦。

2.2 对话状态追踪（DST）：state 一词的两种用法

DST 是任务型对话的老课题：在领域本体上维护槽-值对（DSTC、MultiWOZ、Schema-Guided、TripPy 等），每轮更新信念状态，直接评估表示本身。论文指出三点区别：

1. 表示 vs 行为：DST 规定状态必须是槽-值对；本文不规定状态长什么样，评估纯看行为（答案对不对）。
2. 合作 vs 对抗：DST 语料里用户目标在一个对话内单调累积；StateMemBench 对抗性地跨会话修订事实与决策。
3. 单对话 vs 多会话：DST 在一个对话内；本文跨 18~38 个会话。

2.3 记忆评测基准：没有谁把「漂移」做成一等公民

几个差异：LongMemEval 的 knowledge-update 题型要求「偏好新值」，但被取代值不是单独计分的结果，金标是自由文本人工管理；S/M 变体改变干扰会话数量、状态修订历史不变——不是成对的状态长度档。LongMemEval-V2 也提出 dynamic state tracking，但目标是让记忆系统通过交互学习环境动态（世界模型），在最多 1.15 亿 token 轨迹上评测、与大规摸检索纠缠；StateMemBench 刻意隔离：只测「已持有相关事实的记忆系统能否维护当前有效状态」，与检索、推理分开。

2.4 定位结论

一句话：论文在「记忆 = 回忆」的主流范式里切出一块此前未被干净隔离的能力——状态追踪，用「程序生成 + 闭集评分 + 反更新对照 + 成对长度档」把测量做到可归因，并给出可套在任意记忆系统外的最小状态层（StateMem / Wrapper）。

三、问题定义

3.1 从具体失败到抽象定义

具体场景千变万化（预算改了、订阅降级了、基准模型换了），论文把本质结构抽象为：

状态漂移：当一个事实、约束或依赖关系在先前上下文中被建立或更新，且已存在于组装好的上下文中，但 Agent 依据决策时刻已失效（stale）或不完整的版本行动，而非依据当时仍然有效的版本。

定义的精妙在排除法：「已存在于上下文中」排除检索失败（金标没找回来不算漂移）；「决策时刻仍然有效」区分「跟了合法修订」与「锚定被取代值」——裁判须引用证据证明新版本仍有效，跟新值的 Agent 永远不会被误判。它把「维护状态失败」与「获取状态失败」分开——更好的检索修不了前者。

3.2 与相邻失败模式的机械区分

为给每个失败点（case, turn, slot）打标签，论文设计了有序判定树，按序命中即停：

1. 金标事实在上下文中吗？否 → 检索失败
2. 金标良定义吗？否 → 金标问题（≤3%，不计入）
3. 输出触及槽的领域吗？否 → 理解失败
4. 正确但格式错误？→ schema 失配 4.5. 金标是弃权时编造了域内值？→ 弃权失败
5. 输出浮出当前值但推断错了？→ 推理失败

只有六读全部存活、且输出匹配「从未被撤回的事实的过时或错误范围版本」的点才标为漂移；无法归类的点丢弃而非默认归类。再叠加对抗性过滤器（第二轮试图把每个漂移候选重分类到别的桶，降级 32–47% 候选）与跨模型家族确认（DeepSeek 与 GPT-4o 都说漂移才算），整套流程处处偏向「少报漂移」——报告的漂移率是保守上界。

3.3 跨基准流行率：漂移很大，但不普遍

在三个已有基准上应用这套标注：

一个关键的方法论发现：两裁判对「是不是漂移」的二元一致性不错（κ=0.67），但对「为什么错的值赢了」（更响的竞争者？修订没应用？）一致性几乎为零（mode κ = 0.00–0.09）。事后标注无法揭示机制——所以要再造「机制由构造固定」的新基准：从「测量现象」到「控制变量」的跃迁。

3.4 形式化

给定多会话对话历史与一个问题，要求记忆系统输出反映当前有效状态的答案。当前有效状态由一串类型化状态操作（规则声明、值更新、范围化例外、承诺、撤回）在 ground（直接陈述）/ derived（推导）/ declared（声明规则）三类状态上的确定性重放决定。约束：评测必须把「答案 = 当前值」「答案 = 被取代值」「答案 = 其他」三类区分开，从而把状态追踪失败从一般错误里剥出来。

四、问题解法

解法分三层：基准（StateMemBench）、完整方法（StateMem）、可移植轻量形态（StateMemWrapper）。

4.1 StateMemBench：把失败模式做成可执行的程序

核心思想：场景不是写出来的，是「算」出来的。

每个场景先生成一个符号事件程序（symbolic event program）——一串类型化状态操作（规则声明、值更新、范围化例外、承诺、撤回），作用在 ground / derived / declared 三类状态上。正确答案由确定性评估器重放程序算出，金标是计算出来的而非标注的；裁判只负责把自由格式答案映射到闭集选项（词边界匹配器处理 28% 逐字命中的答案，与裁判 94.1% 一致）。

然后是本文最漂亮的设计——懒惰读者策略（lazy reader policies）。论文实现了一族可执行启发式，每个模拟记忆系统的一种失败方式：信任最近一次提及、信任最高频的值、引用陈述过的派生值而不重算、过早丢弃锚定的决策。当一个或多个懒惰策略的答案与完整重放不一致时，就得到一个 trap 场景；不一致的策略构成该场景的失败模式签名。这相当于用「可执行的错误理论」反向搜索评测题——失败机制不是事后推断的，而是由构造固定的。

五种失败模式：

Anti-trap 是必要的对照：没有它，「凡有新值就换」的策略可以在前四类上刷分。Table 12 显示 +SMW 在 anti-trap 上不虚高，证明状态处理是选择性的。

三个域、两档长度

• 域：research（协作项目状态，多名说话者）、shopping、personal finance（均为用户-助手）。理由：前两个捕捉单用户-助手状态、research 捕捉协作项目状态；各域呈现不同的类别选择与约束组合；都能锚定在公开数据上（arXiv/bioRxiv 论文 fact sheet、Instacart 2017 购物数据、合成信用卡交易数据集）。注意公开数据只提供表面词汇，状态值独立采样，没有任何 probe 能从源材料里答出来。
• Set A（短）：190 个场景、每个 18 会话、中位 165 轮（~3k token）、单 probe。
• Set B（长）：44 个场景，每个把三种不同失败模式的 trap 线程融合进一个 ~38 会话对话（中位 599 轮，3.6×于 Set A，~7–15k token），三部分问题探测——每个线程的金标事件埋在其他线程的活跃状态之间，显著更难。合计 234 个场景、322 个 graded probe。

闭集评分（closed-pool grading）：生成场景时就构造 3–4 个选项的答案池（probe 时不展示）：金标答案 + 目标懒惰策略算出的漂移答案（「不追踪状态的读者会锚定的值」）+ 中性干扰项。每个答案因此可分三类——当前状态 / 被取代状态 / 其他。「把读者会犯的错放进干扰池」是全文测量哲学的浓缩：漂移从「需要裁判事后辨认的错误」变成「构造时就计算好的得分结果」。

渲染与验证门槛：符号程序由 sonnet-4.6 渲染成自然多会话对话（渲染器只拿一般性指令如「会话 14 中用户必须说收到 $7540 奖金」，拿不到具体轮次文本与 trap 语义——不可能污染 probe）；渲染后程序化验证承重事实落位与违禁短语，不过关重渲染。两道门槛：强读者（sonnet-4.6，只给相关会话）须在 ≥2/3 样本上恢复金标（所以绝对分数天花板略低于 1）；弱读者（haiku-4.5，全量 transcript）须在 ≥3/5 样本上产出漂移答案（anti-trap 相反）——保证陷阱真的咬人。

一个值得注意的设计：场景中的因果依赖显式陈述（「既然我们有 1600 个标注，我们就需要 5 个外部标注员」），系统不需要自己发现依赖关系。这是刻意把「状态维护」与「发现/假设关系」解耦。

4.2 StateMem：状态优先的记忆方法

StateMem 把记忆表示为一组结构化状态单元（state units），分三阶段工作：

（1）Ingestion（摄取）。TurnEncoder 对每个对话轮做一次 LLM 调用，解析出零或多个状态单元，上下文带当前活跃单元的紧凑渲染。每个单元是元组：

u = (id, content, priority, source, deps)

• priority ∈ {hard, soft}：硬约束 vs 可让步偏好；
• source：来源轮次与说话者（有日期时盖时间戳）；
• deps：类型化链接——derived_from（本单元的值由别的单元算出）、coupled_with（本单元的有效性取决于别的单元状态）。

编码器在抽取同时可标记既有单元「有被取代风险」并自荐替代值——prompt 里明确列出要主动寻找的取代信号（「actually」「instead」「no longer」「switched to」等）。

（2）Update（更新）。两步：先应用被标记的取代——目标单元置为 superseded，自荐替代作为新活跃单元入库（被取代单元保留供审计，但对作答不可见）；然后确定性 Rechecker 遍历依赖图 G=(U,E)（边 (uᵢ,uⱼ) 表示 uᵢ 依赖 uⱼ），对每个依赖了「状态刚变化」单元的 uᵢ 置为 needs_recheck（保持活跃但标记可能过时）。因为依赖在摄取时已记录，这一步是 O(|E|) 图遍历，零 LLM 调用。

（3）Test time（作答）。StateStore 确定性地组装所有活跃单元（含 needs_recheck 的）渲染成结构化状态块 S——按优先级与来源分组，被标记单元与触发原因并排展示。然后一次 LLM 调用：输入 S、问题、以及重算引导（recompute guidance）——被标 NEEDS RECHECK 的单元是过时的，不要用它的数；按其陈述的推导式（如 X = A×2）代入当前活跃态的新值求值，结果若喂给另一个被标单元则沿链传播；只重算问题路径上的单元。

分工清楚：确定性层决定哪些单元相关、哪些过时；LLM 只在被给定的标志下重算答案。「哪个值有效」的判断被从 LLM 手里拿走了。

一个直觉类比：Mem0 们像「笔记堆 + 检索器」，StateMem 像「记账系统」——每笔新账要么新增科目、要么冲销旧科目，科目间挂着勾稽关系；查账先看哪些科目被标「待重估」，再算数。

4.3 StateMemWrapper：状态纪律压缩进一次调用

完整版 StateMem 要在每轮跑编码器（每场景约 165–600 次调用）。论文因此做了第三件事：把 StateMem 的三个裁决原语——取代优先级、规则高于实例、派生值重算——压缩成答案时刻的 prompt 变换，即 StateMemWrapper：

• 不动后端的摄取管线；wrapper 只接收 transcript、后端检索到的 chunks、问题，替换后端本来就要做的那次答案调用——不增加 LLM 调用数。
• 调用内分两段。Trace（追踪）：按问题划范围，按时间顺序重建每个被触及槽的值链——初值、每次修订、当前有效值，全部带轮号 [turn N]；外加每条适用常设规则的最新陈述输入。Resolve（裁决）：在四条优先规则下作答——(1) 后取代先；(2) 常设规则高于过去的一次性实例，规则作用于当前输入；(3) 派生值一律重算、绝不引用缓存数；(4) 事实只有被显式取代或到期才退役。最后输出一行 ANSWER:。
• trace 上限 250 词，且必须在生成答案前提交——模型先把自己绑死在一个状态读法上再作答，阻断「先有答案、后编理由」的事后合理化。
• 开销：固定 155 token 指令 + ≤250 词 trace（实测 169–188 输出 token），合计约 350 token/问题，与对话长度、后端、基准无关；LongMemEval 上只占答案 prompt 的 0.2%。

匹配对照（wrapper-ctrl）是实验严谨性的关键：它与 wrapper 在一切表面维度上匹配——同样的系统提示、两段式格式、250 词 Section 1 预算、先提交后作答、ANSWER: 行、transcript+chunks 上下文——唯一差别是没有结构：Section 1 只做「通用的、按问题条件化的信息摘要」，没有值链、轮号、裁决规则。于是 (wrapper − wrapper-ctrl) 的差就是「状态结构」本身的贡献，与「多给了 token」无关。

五、评估指标与实验证据

5.1 指标体系

• 主指标：金标率（gold rate）——答案匹配当前有效状态的比例，固定 deepseek-v4-pro 裁判闭集评分。所有模型温度 0、关推理轨迹，每配置单次运行。
• 漂移率（drift-rate，越低越好）= 选了漂移目标的答案比例（drift/n），闭集设计使其可按构造计算。
• 池内参与度（I-P）——产出闭集内可辨认选项的数量。此辅助指标必不可少：主要答在池外的方法（no-memory、LightMem、MemoryOS，池外率 60–94%）漂移率天然低——不是抗漂移，是根本不产出像样的答案。
• 消融指标：extraction-only → +supersession → 完整版（递增）；去依赖传播 / 去重算引导（递减）。
• 结构贡献 Δ(wrapper − wrapper-ctrl)：长度与成本匹配下隔离状态结构的份额。

5.2 数据集

• StateMemBench：322 个 probe（Set A 190 + Set B 132），五模式 × 三域 × 两档长度。区分度极好——最强长上下文也只有 0.277。
• LongMemEval（500 题，k=20）与 LoCoMo（1,985 题）：外部基准，检验状态纪律不牺牲回忆、能否泛化。
• Wrapper sweep：六后端（Mem0 / A-Mem / LightMem / MemoryOS / BM25 / Dense）× 两骨干 × 两基准 × 三条件（alone / +Ctrl / +SMW），冻结成对 n=60 集。每个后端 store 只建一次、三条件答同一批检索结果——条件差异不可能来自摄取方差。

5.3 主结果一：现有系统集体失守

（***：配对 McNemar 检验，对两骨干最强记忆基线均 p<0.001）

三个读数：

1. 对抗性陷阱击穿长上下文。回忆型基准上长上下文通常是难以击败的强基线，这里同骨干只有 0.149，最强的 GPT-5.4-Nano 也才 0.277——把全 transcript 捧在眼前并不解决「哪个值现在有效」。
2. StateMem 的两个倍数：DeepSeek 上 0.363 = 同骨干最强基线（Dense 0.205）的 1.8×、同骨干长上下文的 2.4×；Qwen 上 0.233 = 最强记忆系统（Mem0 0.149）的 1.6×，与 GraphRAG（0.224）统计持平（McNemar p=0.82）。
3. 类别结构有信息量：anti-trap 几乎处处接近天花板（正确行为就是不更新）；基线在 salience / sequence / compound 上接近零，StateMem 找回后两者的大部分（DeepSeek 上 sequence 0.347、compound 0.273）；salience 是骨干限制而非记忆设计问题——每个 Qwen 臂 ≤0.18，GPT-5.4-Nano 长上下文却有 0.569（DeepSeek 上 StateMem 也只有 0.216）。

（附注：LightMem 与 MemoryOS 在所有基准上都近地板。论文附录 G.1 说明：官方实现 + 上游示例配置直接跑，约 60% 的答案是「无答案」——可能是方法对逐轮对话摄取的敏感性，也可能是残余集成缺口，故这两行不作为对比性结论的证据，也没有任何 headline 比较依赖它们。）

5.4 主结果二：状态纪律不掉回忆

在 LongMemEval 上，StateMem 是全部记忆系统中的最高分（Qwen 0.580 / DeepSeek 0.656；次优 Mem0 0.566 / 0.594），DeepSeek 上与长上下文（0.666）只差一个点；LoCoMo 上（0.566 / 0.592）领先所有记忆系统，且与长上下文持平（0.592 vs 0.587）。按题型拆分，增益集中在需要追踪更新的题型：temporal reasoning（DeepSeek 0.624 vs 长上下文 0.391；Qwen 0.398 vs 0.248）、knowledge-update（DeepSeek 0.795）；在单跳回忆与聚合题上，只读一个有界状态也能贴近全量上下文。结论：状态追踪不掉回忆。

5.5 主结果三：记忆系统为何漂移（闭集剖析）

闭集让论文能对全部 322 个 probe 解剖：

两个模式：

• 弱骨干上记忆层几乎不改变结局：Qwen 上长上下文、Mem0、BM25、StateMem 的漂移率齐刷刷 61–66%——瓶颈在模型侧，换记忆层没用；StateMem 的提升主要来自把池外非答案转成池内答案。
• 强骨干上方法才分化：DeepSeek 上 StateMem 漂移率降得最多（64.3%→49.1%，−15pp）、正确数涨得最多（75→117，+42）；长上下文、Mem0、BM25 几乎不动——瓶颈在记忆层而非答题主。StateMem 还是两骨干上池外答案最少（32/36）、参与度最高的方法，准确率不是靠多弃权刷出来的。

5.6 主结果四：Wrapper 普遍加持所有后端

StateMemBench 冻结集上：

• 总提升 +31.7~+66.6 点（近地板的 LightMem/MemOS 提升最大）；其中结构贡献 +15.0~+31.7 点（wrapper − wrapper-ctrl）。12 格全部显著（McNemar p≤0.04），24 个比较中 23 个超过对照。
• LongMemEval 上分裂依骨干而变：Qwen 上结构贡献 +11.7~+25.0（对照常常净负——Mem0/A-Mem/Dense 三个后端的对照是净伤害）；DeepSeek 上对照恢复大部分提升，结构只加 −5~+5。解释：强答题主不太需要状态结构，弱答题主需要。
• 两个漂亮对照：(a) 问题盲的 250 词摘要在两基准上都低于裸基线，且携带所有臂里最高的漂移率——问题条件化不可省；(b) wrapper 在同一批场景上反超完整版 StateMem（0.283 vs ≥0.567，Qwen 冻结集）——transcript 放得进上下文时，答案时刻解析状态就够；持久 store 的价值在 transcript 放不下时才显现。反更新对照也过了：+SMW 在 anti-trap 上不虚高，状态处理是选择性的。

5.7 消融：哪个组件在挣钱

• 取代标记是最大单步（0.174→0.298）；去掉重算引导损 6 点。
• 依赖传播的账更微妙：它帮助自己的目标模式，但在 Set B 的 anti-trap 上过度传播（−12.5pp），去掉它 DeepSeek 反而略好（0.373 vs 0.363）。论文对此诚实：StateMem 镜像了陷阱背后的策略族，自家基准上的余量应读作上界，外部基准（5.4 节）才是泛化检验。

六、效果优势的根源解释

本节回答：为什么 StateMem / Wrapper 赢过基线——不是「做了 X 所以好」，而是 X 改变了什么信息流与约束，从而必然反映在指标上。

6.1 基线漂移的三个结构性瓶颈

（1）表示没有「有效性」维度。 Mem0 / A-Mem 一类系统把记忆当作事实集合，更新（ADD/UPDATE/DELETE）由 LLM 在摄取时即时判断。当一次修订没被判定为 UPDATE，新旧版本就并存于 store 且都是「合法记忆」。答案时刻，检索按查询相关性排序——「预算」查询会把 $600 和修订值一起捞回来，相关性无法区分有效性：两个版本都相关，谁赢取决于表面特征（更响、更高频、更近），而这恰恰是漂移的定义（status / salience 模式）。这不是实现瑕疵，是「记忆 = 可检索事实集」范式的必然缺口。

（2）派生值被当作事实缓存。 一旦「两周总量 = 20 包」被说出口并入库，它与「每周 10 包」的推导关系就丢失了。此后「每周降到 7 包」的修订只更新前一个事实，缓存的两周总量不会失效——没有任何机制知道它依赖的输入变了（sequence 模式）。

（3）长上下文把裁决留给注意力。 全量 transcript 在 prompt 里时，「哪个值有效」被隐式交给注意力——而注意力的分配近似显著性与重复度。附录 B 的解剖案例把这一点钉死：用户三个鱼缸，1 加仑的只提过一次，20 加仑的有名字、被两个会话反复讨论；问「我有几个缸」，模型答 2 漏掉 1 加仑——问题点名了安静的事实，它仍然掉出状态。更狠的是配对 A/B：关掉推理轨迹答 3（对），打开反而答 2（错）——多算一步只让显著的答案更有说服力，状态构建的缺口纹丝不动。

6.2 StateMem 的三条因果链

因果链 A：取代显式化 → 裁决从「读心」变「读表」→ status 修复。

基线：候选版本并存，LLM 在答案时隐式裁决 → 裁决信号（时序有效性）不存在于表示中 → 由显著性代理 → 漂移。 StateMem：摄取时 TurnEncoder 主动识别取代信号并标记，Update 阶段确定性置 superseded（保留可审计、但对作答不可见）→ 答案时上下文里只剩当前有效值，LLM 无需裁决「谁有效」。关键变化是把「有效性」从答案时的隐式推理移进表示的字段里。消融对得上：extraction-only → +supersession 是最大单步（DeepSeek 0.174→0.298）。

因果链 B：依赖图 + 重算引导 → 派生值从「缓存读取」变「代入求值」→ sequence 修复。

基线：推导关系在入库时丢失 → 输入修订无法传播到派生值 → 旧推导被当事实引用。 StateMem：摄取时记录 derived_from/coupled_with，输入单元状态一变，Rechecker 沿图把下游标 needs_recheck（O(|E|)、零调用）→ 答案时重算引导明确指示：不用被标单元里的数，按其陈述的推导式代入当前输入求值并沿链传播。变化在于把「失效传播」从 LLM 的隐式联想变成图上的确定性消息传递。证据：去掉重算引导损 6pp（0.363→0.301）；DeepSeek 上 sequence 类 0.347 vs 基线近零。

因果链 C：「先承诺后作答」→ 答案锁死在状态读法上 → 阻断事后合理化。

wrapper 没有持久 store，赢在作答过程的结构：trace 段强制先重建带轮号的值链并提交，然后才允许作答。这改变了生成的因果方向——基线（和对照）里模型可先由显著性形成答案倾向、再回头挑支持证据；wrapper 里证据链先写死，答案只能从链上长出来。四条优先规则再给冲突消解明确次序。matched control 的意义在此：对照同样先写 250 词摘要再作答，唯一差别是结构（值链、轮号、裁决规则），Δ 必然来自结构而非「多想了一会儿」——这正是 +15.0~+31.7 结构份额的因果解释。问题盲摘要的反例补全论证：同样 250 词、先写后答，不给问题条件化就低于裸基线——起作用的不是「写摘要」，而是「针对问题重建状态链」。

6.3 为什么强骨干上 StateMem 赢得多、弱骨干上赢得少

闭集剖析（5.5 节）给出干净归因：显式状态表示提供正确答案的原材料，把它变成答案还需「能在标志上执行重算与取舍」的答题主。Qwen 上各方法漂移率 61–66% 几乎不动——瓶颈在答题主，记忆层升级无从兑现；DeepSeek 上瓶颈转到记忆层（长上下文/Mem0/BM25 平移 1–3pp），StateMem 的表示升级立刻兑现为 −15pp 漂移率、+42 正确数。这解释了同一方法在两个骨干上收益不同，也解释了 LongMemEval wrapper 实验里「强答题主不太需要状态结构」的镜像现象。

6.4 反事实检验

• 去掉取代标记 → 0.363 跌向 0.174（≈回到抽取式基线）：取代显式化必要。
• 去掉重算引导 → −6pp：求值式读法必要。
• 只留预算去掉结构（wrapper-ctrl）→ 结构份额 +15.0~+31.7 消失大半：结构而非 token 量。
• 换成问题盲摘要 → 低于裸基线：问题条件化必要。
• 打开推理轨迹 → 84.0%→76.0%（不显著）：推理容量不能替代状态维护。
• anti-trap 不虚高：状态处理是选择性的，不是「逢新必换」。

七、必要知识反推

假设一个毫无背景的人要复现这项工作，最少需要掌握什么？

7.1 领域层

• 记忆系统的现状与接口：MemGPT/A-Mem/Mem0 等的摄取-检索管线，以及共同的「事实集合 + 相关性检索」假设。不理解这一点，无法定位「表示里没有有效性维度」的缺口。

• DST 的教训：知道 DST 为什么直接评估槽-值表示（表示绑定、需要本体），才能设计「纯行为评估、不规定状态形式」的替代路线，也才能意识到 DST 语料的「合作单调」掩盖了修订场景。

• 长上下文的注意力偏置：显著性/重复度驱动注意力分配——这是「全量上下文也漂移」的机理前提，也是 anti-trap 与 salience 模式设计的来源。### 7.2 方法论层

• 评测构造的「程序优先」范式：先写符号事件程序与确定性评估器、后渲染自然语言，程序化验证承重事实落位——保证金标可执行验证、渲染器无法污染语义。

• 闭集评分与「把典型错误做成选项」：把目标失败策略的输出（漂移答案）放进干扰池，错误才可归因。这需要想到「用一族懒惰读者策略反向生成陷阱」——评测题可以从「可执行的错误理论」里搜索出来。

• LLM 裁判的校准方法学：κ/PABAK/Gwet’s AC1 的失真机理、对抗性过滤、跨家族确认、人类锚定——以及「mode κ≈0 ⇒ 机制必须由构造固定」这条从统计到设计的推理链。

• 匹配对照实验设计：wrapper-ctrl 的「除结构外全匹配」+ 配对 McNemar + bootstrap CI——隔离归因的黄金手法。

7.3 工程层

• 六后端 + 四个图 RAG 系统的接入（PyPI 包、官方仓库、vLLM 部署、k 值扫描验证不偏袒）；统一的 ingest/search Protocol 让 wrapper 可插拔。
• judge pipeline 搭建与常数开销核算（155 token 指令 + ≤250 词 trace）。

7.4 融合的关键节点

创造性节点不在单一知识里，而在三处「对接」：

1. 懒惰读者策略 × 符号事件程序：把「记忆系统会怎么错」写成可执行启发式，用「启发式答案 ≠ 重放答案」搜索陷阱——错误理论变成题目生成器，是整个 benchmark 的支点。
2. 闭集三分 × 裁判校准统计：正因发现「裁判对二值一致、对机制为零」，才把机制移进构造里——统计结果直接决定设计决策。
3. deps 字段 × 确定性图遍历：把「失效传播」从 LLM 联想降级为 O(|E|) 消息传递——工程上便宜，语义上把最易错环节从概率性组件手里拿走。

八、论文中可以提取的通用性灵感

灵感 1：失败模式可由程序构造，而非由标注发现。 证据：符号事件程序 + 确定性重放生成 234 个场景，金标程序化可验；懒惰读者策略族让每个场景的失败机制有构造性签名。 推广：代码 Agent 评测（用「会过拟合测试的策略」反推陷阱）、安全评测（把攻击者启发式做成生成器）、教育测验（由常见错误自动生成干扰项）。

灵感 2：把「受众会犯的典型错误」做成一等评分结果。 证据：闭集把漂移答案放进干扰池，漂移率可按构造计算，与池外/其他错误分开。 推广：医疗问诊（把常见误诊做成选项）、模型对齐（「过度拒绝」与「漏放行」分开计分）、法律审查。

灵感 3：机制必须由构造固定；事后标注最多给二值判断，给不了机制。 证据：裁判对「是否漂移」κ=0.67，对「为何漂移」mode κ≈0.00–0.09——论文再造基准的直接动因。 推广：A/B 测试设计（先固定假设的机制再分组）、故障归因（「现象告警」与「根因注入」的对照）、可解释性研究。

灵感 4：先承诺、后作答——把答案锁死在证据链上。 证据：wrapper 的 trace 段带轮号重建值链、先于答案提交；同预算的通用摘要对照与问题盲摘要反例证明结构而非动作本身起效。 推广：代码审查（先列影响面再给结论）、多 Agent 协作（裁决者先复述证据链再投票）、数据分析（先写数据来源链再写结论）。

灵感 5：匹配对照是「结构 vs 体量」的唯一裁判。 证据：wrapper-ctrl 在调用数、词预算、格式、上下文上全匹配，只去掉结构，隔离出 +15.0~+31.7 的结构份额；LongMemEval/DeepSeek 上对照恢复大部分提升、结构只剩 −5~+5——同一方法在不同骨干上的「有效成分」不同。 推广：prompt 工程评测（「加了字所以变好」的主张都该过匹配对照）、RAG 评测（检索增益与上下文增益的分离）。

灵感 6：能力归因要找「升级了也不动」与「一动就动全局」的分离面。 证据：推理轨迹开关不动漂移（84%→76%），状态显式化动它（−15pp）；弱骨干上记忆层升级不动结果，强骨干上才动——瓶颈在两层间转移。 推广：Agent 性能诊断（先定位瓶颈层再投资）、团队工程（工具与人的归因分离）。

附录：三类陷阱实例

以下为论文附录的 oracle 示例（只列与 probe 相关的轮次）：

研究域 / salience：PI 定规则「F1 最好的进主表」；BERT 分类器 F1=0.448 被多次称为「主力参考」；15 个会话后研究员轻描淡写更新「Logistic Regression 现在 F1=0.695」。问「主表标题行放谁」——金标 LR（0.695），漂移答案 BERT（被反复提名的显著者）。

购物域 / sequence：用户定「每周 10 包」；说「两周就是 20 包」（派生值说出口）；后改「降到每周 7 包」。问「两周订单共多少包」——金标 14（7×2 重算），漂移答案 20（旧总量未重算）。

财务域 / status：用户定分层规则（奖金 <1900 留活期；1900–4000 旅行基金；4000–6200 车贷；>6200 存 Roth）；$7,017 时用户**响亮承诺**「这次存满 Roth」；下次奖金只有 $1,517。问「这次像上次一样存满 Roth 对吧」——金标「留在活期」（低档重解析规则），漂移答案「存满 Roth」（对旧承诺的锚定）。

三个例子对应三种机制：安静的有效值输给响亮的竞争者（salience）、派生值没随输入重算（sequence）、更早更响的承诺压过现行规则（status）。全部 322 个 probe 都由这样的程序化机制生成，每个的错误路径在出生时就已写好。