核心发现
方法论
本文提出将检索后证据的提取与答案策略的执行分离，构建结构化的中间表示。具体流程包括：第一步由LLM将检索到的文本转化为候选证据集，利用语义匹配筛选相关信息；第二步由独立策略执行器根据版本元数据选择最新证据，避免语义过滤中引入的冲突。实验中采用FactConsolidation任务，利用BM25检索Top-10证据，结合GPT-4o-mini和GPT-4o模型，达到了82%/93%的单跳和27%/41%的多跳准确率，显著优于现有系统。通过控制整体流程，验证了证据识别与策略执行的分离对性能提升的贡献。
关键结果
- 在262K规模下，结构化组装方案实现了82%/93%的单跳准确率和27%/41%的多跳准确率，超越了所有在MAB v3 FactConsolidation任务中的已报道结果，显示出其在复杂推理任务中的优越性。
- 对比实验显示，单纯依赖LLM直接判断的方案在大规模数据下性能明显下降，而分离证据提取与策略执行的方案在不同数据规模中保持稳定，验证了结构化设计的鲁棒性。
- 仅调整策略执行器（LLM与确定性代码）差异带来的性能提升约2个百分点，表明主要改进源自证据的结构化表示，而非模型本身的推理能力。
研究意义
该研究揭示了大模型记忆系统中检索后证据组装的关键作用，强调将证据识别与策略执行分离，能显著提升系统在多跳推理中的可靠性和准确性。这一发现为未来构建更稳健的持续学习和知识更新机制提供了理论基础，有助于解决现有系统在处理动态信息时的冲突与不一致问题，推动智能系统向更高的可信度和可控性发展。
技术贡献
本文提出将检索后证据的语义筛选与策略执行解耦，建立结构化中间表示，利用版本元数据实现可靠的冲突解决。通过在FactConsolidation任务中引入多阶段分离机制，显著提升多跳推理性能，超越现有所有公开系统。该方法为大模型记忆系统提供了新的架构设计思路，增强了系统的可解释性和可控性，拓展了基于检索的推理框架的应用边界。
新颖性
首次系统性提出将检索证据的语义匹配与策略执行分离，构建结构化中间表示，解决多跳推理中的证据冲突问题。相较于传统端到端的直接判断方式，此方法明确划分信息提取与决策执行阶段，为提升大模型记忆的可靠性提供了创新路径。
局限性
- 该方法主要适用于具有明确版本元数据的场景，难以应对复杂的因果关系或部分序列的时间推理，限制了其在更广泛任务中的应用。
- 在多跳推理中，错误多发生在第一跳的证据提取阶段，导致后续推理链的失效，尚需改进多阶段联合优化策略。
- 实验依赖于特定的FactConsolidation任务和合成数据，实际应用中面临数据噪声和多源信息融合的挑战。
未来方向
未来将探索引入因果关系和时间序列信息的版本管理机制，增强系统对动态信息的适应能力。同时，计划结合图结构和因果推理模型，提升复杂场景下的证据整合与冲突解决能力，推动构建更通用、鲁棒的持续学习系统。
AI 总览摘要
在人工智能领域，构建可靠的长时记忆系统一直是核心难题。传统方法多依赖端到端的推理模型，试图在一次操作中完成证据筛选、冲突解决和答案生成，但效果有限，尤其在多跳推理任务中表现不佳。本文提出一种创新的结构化后检索组装框架，将证据提取与策略执行明确拆分，形成中间的结构化表示。通过在FactConsolidation任务中的严格验证，结果显示该方法在262K规模下，单跳准确率达82%、多跳达27%，远超现有系统。实验还揭示，性能提升主要来自于证据识别与策略执行的解耦，而非模型推理能力的增强。这一设计思想为未来构建更可靠、可解释的记忆系统提供了新路径。研究强调，证据的结构化表示和版本元数据的利用，是提升大模型动态知识管理的关键。尽管目前仅在特定任务和合成数据上验证，未来的工作将聚焦于引入因果关系和时间序列信息，拓展系统的适用范围。这一突破为智能系统在动态环境中的持续学习和知识更新提供了理论基础，也为实际应用中的信息冲突解决提供了有效方案。
深度解读
原文摘要
LLM-based memory systems can retrieve relevant evidence yet still fail when answer generation entangles semantic filtering, conflict resolution, prior suppression, and output generation in one step. We study this failure as a problem of post-retrieval assembly. In the MemoryAgentBench (MAB) release used here, FactConsolidation explicitly states that newer facts have larger serial numbers, yet the best reported retrieval/memory result is 54% single-hop and all 22 reported systems score at most 7% multi-hop. We evaluate a structured assembly interface in which an LLM first extracts semantically matching evidence into a candidate representation and a separate stage executes the required answer policy. At 262K, this pipeline reaches 82%/93% single-hop and 27%/41% multi-hop with gpt-4o-mini/gpt-4o, exceeding every result reported in the MAB v3 FactConsolidation comparison. This is a task-level result, not a claim that the evaluated memory architectures are broadly inferior. A controlled whole-pipeline comparison, with identical backbone, retrieved top-10 evidence, chunking, and n=100 per cell, improves single-hop accuracy by 10.8 percentage points (pp) on average and 21 pp at 262K. A targeted comparison using the same extraction setup shows that changing only the final policy executor contributes 2.0 pp on average and 0 pp at 262K. Most of the gain therefore comes from separating evidence identification from final policy execution rather than from the freshness operator itself. A LongMemEval check finds no significant overall advantage (26/45 versus 29/45; paired exact McNemar p=0.45), bounding the result to current-value questions with explicit version metadata. The evidence identifies post-retrieval assembly as a distinct reliability boundary between retrieval and answer generation.