When Evidence Shapes Collaboration: Knowledge-Conditioned Topology Generation for Multi-Agent Systems —— 精读

论文链接：https://arxiv.org/abs/2608.27984

发表时间：2026 年 8 月 28 日（arXiv:2608.27984v1）

发表机构：华中科技大学（单机构）——蒋阳霄、范家睿、徐明聪为共同一作，张小金为通讯作者

领域标签：cs.AI / LLM 多智能体系统 / 知识密集推理

备注：骨干模型 Qwen3-8B（生成器与执行 agent 同骨干），知识源为 StructSense 管线构建的 Wikipedia 溯源知识图谱，检索编码器 all-MiniLM-L6-v2，单卡 A6000 完成课程优化（约 4–5 小时/数据集）。未见开源代码仓库。

一、论文背景

1.1 从单智能体到多智能体：拓扑成了新变量

LLM Agent 的演化路径清晰：ReAct 式单智能体在统一推理轨迹中交错思考与行动，简单任务上够用，但复杂推理需要分解、验证与并行探索——于是多智能体系统（MAS）成为主流：多个专职 agent 通过结构化通信协作。早期 MAS（CAMEL、AutoGen、MetaGPT、LLM-Debate 等）依赖人工设计的静态拓扑（固定链、星型、辩论管线），执行稳定但无法适配多样任务。

近来的动态拓扑生成（G-Designer 用 GNN 架构通信拓扑、AFlow 自动化工作流搜索等）让编排模块按任务语义自动合成协作结构，在灵活性与结构化分解之间找到了平衡点。

1.2 论文抓住的痛点：结构与知识的失配

但现有动态 MAS 都遵循**「先规划、后检索」**（Plan-First, Retrieve-Later）：协作拓扑在检索发生之前、仅凭查询语义生成。论文的关键观察是——语义复杂度不等于证据需求：

• 语义上复杂的查询，检索到的证据可能简单且高度一致——此时语义规划仍生成复杂辩论工作流，交互冗余、算力浪费（过度规划）；
• 语义上简单的查询，证据可能稀疏、含糊或互相冲突——此时语义规划给出过于简化的串行结构，验证与探索不足（不足规划）。

两种失败的统称是结构失配（Structural Mismatch）：生成的工作流与实际证据景观错位。这个诊断把「拓扑该怎么生成」从语义问题升级成了认识论问题——协作复杂度应该由证据的认识论属性（充分性、一致性、冲突度）决定，而不是查询的表面难度。

1.3 解法的方向：证据先行

K-GAT（Knowledge-Guided Agent Topology Generator）提出的范式是证据先行协作（Evidence-First Collaboration）：把检索从「规划后的被动工具」提升为「协作结构的显式决定因素」——先检索，再以证据及其溯源信息为条件自回归地生成协作图。直观收益有二：结构贴证据则推理更可靠；证据充分时结构更小则协作开销更低。

二、论文定位和关联工作

2.1 研究谱系梳理

（1）静态 MAS 拓扑。 CAMEL（角色扮演通信）、AutoGen（多智能体会话）、LLM-Debate（发散思维辩论）、MetaGPT（元编程协作）等用预定义协议和角色分工；Chain/Star/Tree 是最基础的固定结构。局限：结构刚性，无法按任务调整。

（2）动态拓扑生成。 G-Designer（GNN 架构通信拓扑）、AFlow（工作流自动生成）、AgentPrune（经济通信管线/剪除冗余边）、AgentDropout（动态删 agent 换 token 效率）、多智能体架构搜索（agentic supernet）、FlowXpert 等。这一系工作是 K-GAT 最直接的对照群——它们的共同盲区正是论文的立足点：拓扑都生成于检索之前、条件于查询语义。

（3）知识接地与验证。 ReAct 交错检索与行动但是单轨迹；StructSense 提供从非结构化文本构建溯源接地结构化证据的管线（K-GAT 直接采用其构建知识图谱）。KG-Verifier 的思路与 RAG 中的忠实度检查一脉相承，但嵌入了生成拓扑的节点中。

2.2 定位对比表

定位结论：K-GAT 在动态拓扑生成谱系内做了一次范式级反转——把协作结构学习从「语义驱动」改为「证据驱动」，并给出执行监督 + 剪枝 + 分布匹配的完整训练方案。属于增量中的机制创新（笔记评价：新范式，增量中偏机制创新）。

三、问题定义

3.1 具体问题与核心洞察

具体问题：知识密集任务中，多智能体协作拓扑该如何生成，才能既充分验证又不过度交互？

核心洞察：论文发现的深层结构相似性是——拓扑生成 ≈ 以证据为条件的图结构学习。传统上「选什么拓扑」是 prompt 工程或搜索问题；K-GAT 把它重述为概率建模问题：在给定 (Q, C_K) 条件下学一个条件分布 P_θ(G | Q, C_K)，其中证据上下文 C_K 携带证据单元与溯源。拓扑不再是选出来的，而是以证据为条件生成出来的。

类比：这类似于 RAG 对生成器的改造——从闭卷生成变为开卷条件生成；K-GAT 是把同样的条件化思想用在了「协作结构」这个中间层上：不是给答案接证据，而是给组织架构接证据。

3.2 形式化定义

• 给定：查询-答案数据集 D={(Q_i, Y_i)}、任务角色库 R_T（Planner/Reasoner/Verifier/Answerer 等，各配系统提示）、外部溯源知识图谱（证据单元 τ=(h,r,t,π)，π 为溯源到 Wikipedia 原文跨度）。
• 证据上下文：C_K=(T_sub, Π)，其中 T_sub 为与查询嵌入相似度 top-K 的证据单元，Π 为其溯源。
• 拓扑：DAG G=(V,E)，节点 = 实例化的 agent 角色，边 = 消息传递；结构成本 C(G)=λ_V|V|+λ_E|E|。
• 生成模型：P_θ(G|Q,C_K) = Π_t P_θ(v_t|G_<t,Q,C_K) · Π_{j<t} P_θ(e_{j,t}|v_j,v_t)——节点与边的自回归分解；解码时强制无环、入度 ≤ d_max、有效答案节点。
• 求：θ 及推理管线，使知识密集任务准确率与结构效率（token 成本）的联合表现最优。

3.3 抽象的精妙之处

把「无 gold 拓扑」的困境转化为软监督分布是形式化上最漂亮的一步：QA 数据只有答案没有标准工作流，K-GAT 用执行成功率减结构成本给候选拓扑打分，剪枝后按 softmax 温度构造目标分布，让生成器做分布匹配。这绕开了「唯一正确拓扑」的假设——承认同一任务存在多个够好的结构，学的是它们的条件分布而非单点。

四、问题解法

K-GAT 的解法分四块：证据驱动拓扑生成（§3.1）、课程学习训练框架（§3.2）、动态推理执行（§3.3）、知识接地验证（§3.4）。

4.1 证据驱动的拓扑生成

类比：先看卷子上的材料（证据）再决定怎么分工，而不是先排好阵型再看材料。

检索用稠密相似度 s(τ;Q)=sim(x_τ, q) 取 top-K 证据单元与溯源构成 C_K。拓扑以 DAG 表示，自回归生成：每步先按角色表征与当前状态+证据表征 c_K 的相似度 softmax 选下一个角色（公式 11/12），再用 MLP([h_j; h_t; c_K]) 预测新节点与已有节点的通信边（公式 13）。结构约束（无环、入度上界、答案节点合法性、END 终止或达 N_max）在解码中强制保证可执行性。

证据条件化落在三处：角色选择的相似度计算含 c_K、边预测的输入含 c_K、执行期每个 agent 的运行时提示拼入 Linearize(T_sub, Π)——证据贯穿结构生成与结构执行两层。

4.2 课程学习训练框架：无 gold 拓扑下学结构

训练的核心难题是结构监督缺失。K-GAT 的三阶段循环：

（1）候选挖掘。 每个训练实例从混合分布采样候选拓扑（公式 4）：(1−π) 来自模板池（链/星/树/带验证者结构）+ 随机可行 DAG，π 来自当前生成器自身——π 从小到大构成由易到难的课程，逐步从「吃现成结构」过渡到「吃自己生成的结构」。

（2）执行评分与剪枝。 每个候选执行 R 次取经验成功率 p̂_succ（公式 5，LLM 执行有随机性）；最终得分 Score(G)=p̂_succ(G)−λ_C·C(G)（公式 7）——准确率与结构成本的显式权衡。成功候选再做最小充分化剪枝：迭代删边/删可删节点，仅当成功率保持 ≥ p_min 且成本下降才接受（公式 8），得到紧凑拓扑 G*。

（3）课程优化。 留存候选按 Score 的 softmax（温度 β_q）构造软监督分布 Q̃(G)（公式 9），生成器最小化分布匹配损失（公式 10 的加权交叉熵）。挖掘与优化交替进行。

类比：这套流程像进化算法 + 蒸馏的混合体——执行评分是适应度评估，剪枝是基因瘦身，分布匹配是把「幸存者分布」蒸馏进生成器。

4.3 动态推理与执行

测试时五步：编码查询 → 检索 top-K 证据 → 证据与查询线性化后池化为 c_K → 自回归解码拓扑（含结构掩码）→ 按拓扑序执行。每个节点的运行时提示 = 角色指令 ⊕ 查询 ⊕ 前驱消息聚合 ⊕ 线性化证据（公式 14）。

复杂度账本（附录 B）：检索 O(T_ann(K_ret))；拓扑解码 O(N·|R_T|) 选节点 + O(N·min{N,α_d·d_max}) 预测边（束搜再乘束宽 B）；验证只对验证者节点触发，随拓扑规模缩放；总 token ≈ N(L_Q+L_K+d_max·L̄_M)+N·L̄_gen+N_ver·L̄_ver——入度上界保证了通信开销不随拓扑增大而爆炸。

4.4 KG-Verifier：知识接地的中间验证

多智能体协作的痼疾是误差传播——上游一个幻觉顺着边污染全图。KG-Verifier 在执行期把中间 agent 回应拆成原子断言，对照溯源链接的检索证据做蕴含检查；发现无支撑或不一致的陈述时，要么修订中间回应、要么终止当前拓扑执行，并记录溯源证据跨度与修正轨迹。它不是全局开关，而是按需实例化的节点角色——拓扑生成器学会在证据可疑时才安排它。

五、评估指标与实验证据

5.1 实验设置

• 基准：知识密集 4 个（MMLU、MMLU-Pro、GPQA、StrategyQA）+ 符号算法 3 个（GSM8K、AQuA、HumanEval），共 7 个。
• 基线：大规模单模型（Mistral-8×7B、Qwen-3-32B、Llama-3.1-70B）；静态拓扑（Chain/Star/Tree，同 Qwen-3-8B 骨干）；MAS 框架（LLM-Debate、AgentPrune、AgentDropout、AFlow、G-Designer，同骨干）。
• 关键配置：生成器与执行 agent 均为 Qwen3-8B；top-3 检索；N_max=6、d_max=3。

5.2 主结果：8B 规模最强，逼近大模型

三个层次的结论：① 平均 78.68% 为全部 8B 基线最强，且超过 32B 与 70B 单模型；② GPQA 上 50.75% 比 LLM-Debate 高 15.7 个百分点、比 G-Designer 高 13.9；③ 无检索推理（K-GAT Inf w/o KG）仍有 72.38%——训练中的知识接地让协作行为（验证、自适应协调）发生内化，闭卷也受益。

增益分布有清晰的结构性解释：知识密集任务（MMLU +7、MMLU-Pro +18、GPQA +14、StrategyQA +17 对 G-Designer）提升巨大，符号算法任务（GSM8K +1、HumanEval +2）提升小——因为这些任务靠骨干的内在数理能力而非外部知识，证据条件化无用武之地。这个「哪里该涨哪里涨」的模式本身就是机制对口的证据。

5.3 消融与受控分解

组件消融（GPQA）：三行对照隔离三个部件——无 KG 训练+无 KG 推理 38.48% → 仅推理加 KG 49.26% → 再加 Verifier 50.00% → 训练也加 KG（但推理无 KG）40.19% → 全配置 50.75%。两个洞察：证据条件的训练即使推理时不用证据也带来 +1.7（行为内化）；Verifier 在证据条件拓扑之上再加 +0.75。

受控组件分析（GPQA，骨干/证据/检索深度全固定）：这是全文最有说服力的实验——

同样的证据、同样的骨干下，证据条件拓扑比查询条件拓扑高 4.66 分——这 4.66 分是「结构以证据为条件」这个单一设计变量的净效应，剥离了检索本身的收益。

知识依赖分析：开卷相对闭卷的增益，K-GAT（MMLU-Pro +15.35%、GPQA +10.56%）大于 G-Designer（+10.71/+8.51）大于单智能体（Qwen-3-8B +7.70/+6.13）——K-GAT 把检索证据转化为协作推理信号的能力最强。

5.4 行为级证据：拓扑确实随证据自适应

100 个 StrategyQA 实例的人工分析：证据高度相关且一致时 98% 生成 2 节点紧凑工作流（均值 2.02）；证据冲突或低相关时拓扑更大更多样（均值 2.66，出现 4 节点）——证据条件化不是口号，是可观测的结构自适应。且 N_max 从 6 提到 8 准确率不变、平均节点数稳定在 2.34——性能不受节点预算限制，小预算已足够。

5.5 效率与稳健性

• token 经济性：GPQA 上比 LLM-Debate 省 50% 以上 token 且准确率更高；StrategyQA 上避免 Tree 拓扑的搜索开销，效率媲美线性链而性能显著更高——准确率-token 图上稳居左上最优区。
• 检索深度敏感性：K=1→10 准确率上升后饱和（K>6 无增益），token 线性增长，最优区间 K∈[3,5]；随机检索基线全程停滞——增益来自相关证据而非单纯加长上下文。
• 对 ReAct 的优势：GPQA 50.75 vs 31.25、MMLU-Pro 66.42 vs 56.25——ReAct 逐步局部决策 vs K-GAT 基于证据的全局结构规划，先看证据再定阵型的价值。
• 强骨干补充实验：Qwen3-235B-A22B 骨干在 HLE Bio/Chem Gold 上 K-GAT 0.1812 仍为最优（Chain 0.1140），证明增益不是补偿弱骨干。
• 训练成本透明：课程优化每数据集约 4–5 小时（A6000 单卡）、40 实例 × 5 候选 × 2 次执行，90% 以上时间花在执行监督收集而非梯度优化——开销可控且瓶颈明确。

指标体系评价：该论文实验的亮点是「受控分解」——把检索、拓扑条件化、验证三个贡献在完全固定的骨干与证据下逐一隔离（5.3 的阶梯表），这比单纯排行榜胜出更能支撑因果主张。行为级分析（5.4）则把「自适应」从结果指标落到了结构可观测性上。相对薄弱处：七基准均为选择题/编程判分任务，未覆盖开放式 agent 场景；138+ 样本量级的 HLE 补充实验偏小；KG-Verifier 的 +0.75 增益边际（附录案例也展示了其误拒风险——把正确答案 γB 改错为 γB/√2）。

六、效果优势的根源解释

对比对象一：单智能体 + 检索（ReAct 式）。 为何曾经有效？交错检索与行动让每步决策有据可依。根本局限：决策的局部性——每一步只看当前状态做局部动作选择，没有全局的分工规划；证据质量下降时无从在结构层面增加冗余校验。因果链：逐步局部决策 → 证据冲突时无验证结构兜底 → 幻觉沿单轨迹传播 → GPQA 上 31.25 vs K-GAT 50.75。K-GAT 基于证据先规划全局结构再执行，验证与协作按证据条件预置，这是知识密集任务上大幅领先的机制根源。

对比对象二：查询条件动态拓扑（G-Designer 等）。 为何有效？任务语义确实携带分工线索（数学题要计算器角色）。根本局限：条件变量的缺失——语义复杂度与证据需求不对齐（背景里那对失败模式）。因果链：拓扑条件于查询 → 证据一致时仍生成重结构（浪费 token）、证据冲突时仍轻结构（漏检）→ 结构失配。K-GAT 换掉条件变量本身，4.66 分的受控净效应（同证据同骨干）直接归因于「条件从查询换成证据」；行为级证据（拓扑均值 2.02 vs 2.66 随证据质量分化）证明失配确实被修复——该省的时候省、该加的时候加。

对比对象三：LLM-Debate。 辩论的对称冗余（人人都跟人人辩）是过度规划的典型：token 翻倍而验证无的放矢。K-GAT 的结构成本项 + 剪枝把「最小充分结构」写进训练目标（Score = 成功率 − λ_C·成本；剪枝只留删了不掉分的结构），所以同准确率下 token 减半以上——效率优势源于目标函数里显式内生成本约束，而非事后裁剪。

Verifier 增益偏小的根源解释：+0.75 的边际不是设计失败而是分工结果——证据条件拓扑本身已把错误率压到低位（50.00 vs 基座 33.09），Verifier 处理的是残余误差，空间自然小。附录的误拒案例同时揭示其双刃性：验证者的判断同样依赖检索证据质量，证据含糊时会反向纠错（把对的改错）——这解释了为何验证收益与证据质量耦合。

反事实检验：去掉推理期 KG → 50.75 掉到 40.19（−10.6）；去掉训练期 KG → 掉到 49.26 相对全配置（训练内化贡献被抹掉）；换查询条件拓扑 → 掉到 45.34；换随机检索 → 增益停滞。四个反事实分别锁定推理条件化、训练内化、条件变量选择、证据质量四要素。

训练范式的根源优势：软监督分布（而非单 gold 拓扑）让生成器学到「同任务多结构」的条件分布，课程混合系数 π 控制从模板到自生成结构的过渡——避免了模仿单一模板的结构过拟合，这是 Inf w/o KG 仍能 +2～4 分（行为内化）的来源：内化的是「何时该验证、何时该精简」的判断力，不是某张具体图。

七、必要知识反推

7.1 领域知识层

• MAS 拓扑谱系：静态（链/星/树/辩论）与动态（G-Designer/AFlow/AgentPrune）两代的机制与局限——不知道「现有拓扑都条件于查询语义」这个共同点，就发现不了结构失配。
• 知识密集任务的本质：理解 GPQA/MMLU-Pro 这类任务对外部接地的刚性依赖，以及「语义复杂度 ≠ 证据需求」的非对称现象（论文图 1 的两个失败模式需要大量实例观察才能归纳）。
• 溯源知识图谱的构建：StructSense 的本体引导抽取、三元组 + 溯源跨度的证据单元表示 τ=(h,r,t,π)——没有溯源，Verifier 的蕴含检查就无锚点。

7.2 方法论知识层

• 自回归图生成：节点序列 + 边集合的逐步分解建模、解码期结构约束（无环/入度界/终止符）——把图生成塞进序列建模框架的能力。
• 无 gold 标签的结构学习范式：执行评分（蒙特卡洛成功率估计）→ 成本-收益联合打分 → 最小充分剪枝 → softmax 软监督 → 分布匹配优化。这套「从执行结果反推结构监督」的方法论可移植性极强。
• 课程学习：混合系数 π 控制模板/随机/自生成候选的占比，实现由易到难的过渡。
• 受控实验设计：固定骨干、固定证据、固定检索深度，单变量切换拓扑策略——净效应归因的方法论自觉。

7.3 工程知识层

• RAG 基础设施：稠密检索（MiniLM 编码）、ANN 索引、top-K 证据的线性化拼装。
• LLM 执行的非确定性处理：R 次重复取经验成功率；剪枝接受判据用 p_min 阈值而非单次结果。
• 成本核算意识：训练与推理的 token 账本（附录 B 的逐项复杂度）、课程优化 90% 时间在执行监督的瓶颈定位——知道钱花在哪才能优化。

7.4 知识融合的关键节点

第一处融合是「认识论视角 × 图生成」：把证据的充分性/一致性/冲突性当作结构生成的条件变量，这在 MAS 文献里是视角级的转换——需要同时深谙 RAG 的接地哲学与图结构学习的建模工具。第二处是「执行反馈 × 分布匹配」：QA 数据没有结构标签这个死结，被「执行成功率构造软标签」打开——强化学习的 reward 思想与监督学习的分布匹配损失在这里接上了头。第三处是「Verifier 作为节点而非开关」：把 RAG 的忠实度检查内化为拓扑中可按需实例化的角色，让验证的部署本身成为结构学习的输出——三块知识（接地、生成、验证）在「证据决定结构、结构包含验证」这句设计语里闭环。

八、论文中可以提取的通用性灵感

灵感一：先看数据再定组织。 核心思想：系统的组织结构（分工、流程、拓扑）应由任务实际依赖的资源/证据属性决定，而非由任务的表面描述决定——「先规划后取证」与「先取证后规划」是两种根本不同的工程范式。 论文证据：同骨干同证据下，证据条件拓扑比查询条件拓扑高 4.66 分（GPQA 50.00 vs 45.34）；拓扑规模随证据质量自适应（2.02 vs 2.66）。 推广场景：① 软件任务分解先读代码库现状再拆排期；② 医疗诊疗路径按检查结果（证据）分级而非按主诉复杂度分级；③ 云计算的调度按实际负载数据定拓扑而非按业务描述；④ 法庭程序按证据充分性决定审理密度。

灵感二：执行反馈构造结构监督。 核心思想：没有标准答案的结构选择问题，可以用「执行结果的统计成功率 − 结构成本」构造软监督分布，让学习器拟合幸存者分布而非单点最优。 论文证据：候选评分 Score=p̂_succ−λ_C·C(G)、剪枝保 p_min、softmax 温度 β_q 成分布、分布匹配损失训练生成器。 推广场景：① 程序综合中用测试通过率学程序架构；② 推荐策略组合用线上指标构造离线结构标签；③ 建筑/机械设计中仿真通过率驱动拓扑优化；④ 团队流程设计用 A/B 执行数据反推最优协作结构。

灵感三：最小充分性剪枝。 核心思想：保留功能不变前提下最小化结构（删节点/删边直到掉分），是平衡能力与成本的通用手段——「够用的最简」优于「保险的繁复」。 论文证据：剪枝接受条件 p̂_succ(G′)≥p_min 且 C(G′)<C(G)；最终拓扑平均仅 2.34 节点，N_max 提高也不膨胀；token 比 LLM-Debate 省半。 推广场景：① 神经网络剪枝/蒸馏；② 微服务架构合并（删除无调用边的服务）；③ 决策树后剪枝；④ 法规流程简化（去除不改变结果的审批环节）。

灵感四：把验证做成按需实例化的角色。 核心思想：质量控制不必全局开启，让系统学会在输入可疑时才安排验证资源——验证本身成为可学习的调度决策。 论文证据：KG-Verifier 是角色库一员而非全局开关；证据冲突时拓扑变大正来自验证节点被安排；增益 +0.75 且附录如实展示误拒风险。 推广场景：① 流水线抽检频率随批次风险自适应；② 代码评审按变更风险分配 reviewer 数量；③ 数据管线的校验步骤按源可信度启用；④ 自动驾驶的冗余感知按场景复杂度激活。

灵感五：训练期的条件化会内化为无条件的习惯。 核心思想：用某种条件信息训练系统，即使推理时拿不到该信息，习得的策略结构仍会残留收益——训练分布塑造行为先验。 论文证据：K-GAT Inf w/o KG（推理无证据）仍 72.38% 超全部 MAS 基线；消融中「训练有 KG、推理无 KG」40.19% vs 「训练推理均无」38.48%。 推广场景：① 仿真训练迁移到真实部署（sim-to-real 的先验遗留）；② 辅助提示训练后撤除提示（如思维链内化）；③ 教练指导期结束后运动员保留的决策直觉。

灵感六：成本要写进目标函数，不能只写在评测里。 核心思想：效率若只是事后测量的指标，优化不会照顾它；写进训练目标的效率项才会产出帕累托前沿上的解。 论文证据：结构成本 C(G) 进入候选评分与训练分布；K-GAT 在准确率-token 图上稳居最优左上区，而 Debate/Tree 等高算力基线被推到右侧。 推广场景：① 推理延迟正则进入模型训练；② agent 框架把调用预算写进 reward；③ 数据库优化器的代价模型进入计划搜索；④ 绿色计算把能耗纳入作业调度目标。

附录：术语速查

• 结构失配（Structural Mismatch）：仅凭查询语义生成的协作拓扑与检索证据实际需求错位（过度规划/不足规划）。
• 证据上下文 C_K=(T_sub, Π)：top-K 检索证据单元及其溯源信息的总称，拓扑生成的条件输入。
• 自回归拓扑生成：逐个预测节点角色、逐条预测通信边的图生成方式，解码期强制无环与入度约束。
• 课程混合系数 π：候选采样中模板/随机结构（探索）与生成器自身结构（利用）的配比，由易到难推进。
• 最小充分结构 G*：经剪枝后仍满足成功率阈值的最小成本拓扑。
• 软监督分布 Q̃(G)：对留存候选按 Score 的温度 softmax 构造的目标分布，分布匹配的对象。
• KG-Verifier：将中间回应拆为原子断言、对照溯源证据做蕴含检查的验证节点，可修订或终止执行。