设想历史对话中先后出现两条信息：“芋头把一包饼送给了图图。”以及“芋头在法院工作。”当用户追问“送饼的人在哪里工作？”时，系统不能只凭单个关键词命中回答。它需要先确认送饼的人是芋头，再找到芋头的工作地点，并能够给出支持这两个判断的历史证据。

这类问题反映出长期记忆系统的三个基础要求：其一，原始对话不能被不可追溯的摘要完全替代；其二，检索需要兼顾原文细节与结构化表达；其三，模型的作用应被限制在候选证据的判断和排序，而不是自由生成新的记忆。

写入阶段首先将对话原文持久化为 RAW 记录；在模型模式下，系统再从原文中提取边界清晰、可被原文支持的 FACT 表达。FACT 不替代 RAW，而是通过 source_message_id 与其来源消息绑定。这样，事实便于检索，原文负责保留上下文和核验依据。

• RAW 保留人物关系、原始措辞、时间线索和上下文细节。

• FACT 提供更紧凑的、便于检索的事实表达。

• source_message_id 使每条事实都可以回到产生依据的地方，避免记忆成为孤立摘要。

Search 请求从一开始便携带精确的 user_id 约束。系统分别在原始消息索引和事实索引中执行FTS5/BM25 检索：前者擅长保留关系和原文语境，后者擅长命中简洁、明确的事实表达。两路候选融合后再去重，形成供排序模块使用的证据池。

• 原始消息通道弥补事实抽取可能带来的语境压缩。

• 事实通道提升跨表述、跨轮次问题中的检索直接性。

• 双路候选避免让单一路径决定全部记忆召回结果。

在正式评测版本中，gpt-4o-mini 的职责是对已经召回的候选进行判断与排序。模型接收当前查询和候选集合，只能返回其中真实存在的 ordered_ids；系统会再次校验候选 ID 是否存在、是否属于当前用户，以及事实是否保有合法来源。模型不直接生成最终答案，也不能新建记忆条目。

设计边界：模型负责“在已有证据中做选择”，存储层负责“保证证据真实、隔离且可追溯”。

ChronoHybridMem 的目标不是单纯增加记忆条目，而是缩短“当前回答”与“历史依据”之间的距离。对上例而言，系统返回的证据包含识别送饼者的原始消息、说明工作地点的结构化事实及其来源链接；下游 Agent 可据此回答，并按需回到原文核验。

这一机制将可靠性要求落实到工程边界中：幂等写入降低重复记忆污染风险；SQLite WAL 支持稳定的持久化读写；API 与 SQL 查询均以 user_id 为隔离边界；当模型模式所需配置缺失时，系统明确失败，而不是静默改用未知行为。

本文开头所列 Rank 5、Overall 44.33，对应 v0.2.0。后文 P1 至 P5 的结果均为正式评测之后完成的本地研究，主要使用 LoCoMo 公开数据与本地 Qwen3-4B 代理模型，用于比较检索机制、验证工程边界和筛选研究假设；它们不是新的官方排行榜成绩。

我们采用分层证据口径：官方结果用于说明已被平台验证的历史表现；全量 1977 题本地运行用于比较同一代理模型下的方法变化；固定 20、固定 100、固定 200 和合成分层仅用于机械检查、诊断和升级门控。只有在同一数据、同一模型、同一查询计划和相同调用预算下完成成对比较，才讨论方法增益。

research-v0.3.0 与 research-v0.4.0 同样属于赛后本地研究里程碑。两者均在 1,977 题LoCoMo 严格证据轮次匹配协议下评测，不是新的官方提交，也不改变 v0.2.0 对应 Rank 5、Overall 44.33 的事实。

所有赛后数字都标注为“本地代理结果”。没有通过预先门槛的方案保留代码与实验记录，但不会进入默认路径。

赛后研发并不是简单叠加更大的模型或更多检索通道。我们把每一阶段都写成一个可证伪的问题：它解决什么失败类型、是否增加模型调用、能否保持来源可追溯、出现退化时是否能够关闭。由此形成 P1 至 P5 的连续演进。

在进入 P1 至 P5 的结构化检索研究之前，项目还经历了 research-v0.3.0 与 research-v0.4.0 两个本地方法里程碑。它们分别验证了“混合召回”与“专用重排器”两条路线，并为后续把问题进一步拆分为查询规划、召回、融合和排序奠定了实验基础。

v0.3.0 保留原有 Add/Search API 与原始证据返回契约，在 Search 阶段并行使用 Porter 规范化BM25 和 BAAI/bge-large-en-v1.5 稠密检索。两路候选分数在各自候选集合内进行 z-score 标准化，并以 alpha=0.3 融合；随后仅对融合结果的 Top-5 使用 answerai-colbert-small-v1 执行 MaxSim 晚交互重排。整个流程只重排已有候选，最终仍返回原始消息，不生成答案。

在 1,977 题 LoCoMo 严格证据轮次匹配评测中，v0.3.0 达到 Hit@1 0.4355、Hit@3 0.6186、Hit@10 0.7577、MRR 0.5183。相较同协议下的无模型词法基线 Hit@1 0.3359，提升 0.0996。固定 200 题的池大小实验还表明，ColBERT Top-5 优于 Top-10 和 Top-20；更大的重排池虽然可能提高深层召回，却会损害首位排序，因此最终冻结为 Top-5。

v0.4.0 将主要矛盾从候选召回转向前排排序：在 v0.3.0 的词法—稠密候选池上，使用本地Qwen3-Reranker-4B 的 yes/no 首词概率逐一判断 query—evidence 相关性，并对 Top-10候选排序。模型通过回环 OpenAI 兼容服务运行，只输出相关性概率和既有证据顺序；模型权重、数据与凭据均不进入仓库或 Docker 镜像。

该阶段同时加入时间感知稠密键：将消息日期作为受控元数据加入检索表示，权重固定为 0.5。时间键单独使用时在全量数据上未提高 Hit@1，但扩大了 Top-10 候选覆盖；与专用 Qwen 重排结合后，这部分新增召回被转化为小幅且稳定的前排收益。最终 v0.4.0 在 1,977 题上达到Hit@1 0.5225、Hit@3 0.6808、Hit@10 0.7653、MRR 0.5856；相对 v0.3.0，Hit@1 提升0.0870、MRR 提升 0.0673。

P1 将单条自然语言查询拆为 intent、core terms、expansions、entities、temporal cues 与最多四项 evidence needs。不同字段分别进入既有词法通道，证据需求则作为后续实验可复用的、范围受限的查询侧信号。P1 不增加 Search 阶段的模型调用次数，也不改变 Add/Search API；当规划输出不完整时，系统回退到安全的一阶段检索。

在固定 200 题的本地筛选中，结构化规划器相对平面规划器将 Hit@1 从 0.545 提升到 0.565，MRR 从 0.6145 提升到 0.6292，Hit@10 保持 0.740。随后在 1,977 题全量本地运行中，P1 达到 Hit@1 0.5761、Hit@3 0.7157、Hit@10 0.7618、MRR 0.6479。

多跳问题往往需要多条互补证据，而普通排序容易把表达相近、来源重复的记录同时推到前排。P2 因此尝试在 P1 的既有候选中，根据 evidence needs 的新增覆盖程度进行确定性选择；它不新建候选、不改变候选内容，也不增加模型调用。固定 20 题中，P2 的 Hit@1 与 P1 持平，Hit@3 和 MRR 有所改善。

但在冻结查询计划的 35 个公开合成分层案例中，Hit@1 从 1.00 降至 0.8571，MRR 从 1.00 降至 0.9286。原因是“覆盖更多需求词”并不等于“更适合作为第一证据”。因此 P2 被明确拒绝进入默认路径，只保留为可复现实验和失败分析。这一结果促使我们把研究重点从前排多样性转向召回失败的精确归因。

P3 探索用证据图表示人物、地点、组织、关系与时间更新，但坚持一个约束：每个节点、实体提及和关系边都必须由原始消息独立见证，搜索最终仍只返回原始证据。这样可以避免把模型抽取的、无法核验的关系直接当作真实记忆。

严格关系图 P3-A 在固定切片的 419 条原始消息中只得到 3 条可独立见证的关系边，说明高精度约束下图结构十分稀疏。P3-B1 进一步构建来源局部的实体提及锚点，覆盖 363/419 条消息（86.63%），但固定 20 题的 Hit@1 从 0.40 降至 0.35，Hit@10 从 0.55 降至 0.50。P3 因此没有成为全局默认检索通道。它留下的核心经验是：图结构的价值不能由边数或覆盖率证明，必须通过成对检索收益与来源审计共同证明。

P4 首先建立逐题召回审计。固定 100 题中共有 30 个 Top-10 召回失败：20 个属于 fusion miss，即相关证据曾被至少一个通道找到，却没有进入融合后的候选池；8 个属于 channel miss，即所有词法通道都没有找到；只有 2 个属于 reranker drop。这个分布说明主要瓶颈并不是模型把正确候选排错，而是证据没有稳定进入重排池。

针对最大的 fusion miss 桶，P4-A 将 P1 已生成的每条 evidence need 作为独立、有界的检索通道，并为其保留固定 2 个候选位置，再与其他候选共同进入原有重排流程。该方法复用同一次查询规划，不增加 Search 模型调用，也不生成新证据。

P4-A 的逐题诊断显示，一部分问题可以通过候选置换获得 Top-1，但另一部分原本正确的 Top-1也可能被替换。P5 因此尝试只在 Top-1 与 Top-2 接近且次位候选具有更强证据信号时交换两者。我们依次检验通道计数、query token 重叠、temporal/correction strata 和模型自报 confidence。

四类信号均未通过固定 200 题门槛：通道计数使 Hit@1 变化 -0.005，query 重叠为 -0.035，strata 收窄为 -0.010；confidence 门控不触发，而要求本地模型输出置信度的提示本身使 Hit@1下降 0.045。结论是，无标准答案泄漏时，这些简单信号无法可靠判断“何时应该交换”。P5 保留为默认关闭的消融代码，门控式置换方向停止继续调参。

比赛规则已经更新，因此下一阶段首要工作是把新规则转换为可执行、可审计的协议，然后再判断哪些模块适合进入候选版本。技术路线仍坚持“来源可追溯、候选有边界、实验可成对、失败可回退”四项原则。

路线摘要：近期先冻结新规则下的评测协议与 recall_miss 诊断集；中期验证来源受约束的邻接、桥接及时序召回；长期形成同时覆盖效果、成本、来源完整性与稳定性的模型无关评测框架。

长期对话中的事实会变化：用户可能修改时间、撤销计划、纠正姓名或补充适用条件。下一阶段拟将状态变化建模为“原始陈述—更新/纠错—当前有效状态”的证据链，同时保留全部历史来源。

系统输出当前状态时，必须能够解释它覆盖了哪条旧信息、依据是什么，而不是仅保留最后一次摘要。

长期记忆的关键不在于将历史对话压缩得越短越好，而在于让系统在真正需要回忆时，能够找到正确、完整且可核验的证据。原始消息、来源绑定事实、双路候选检索和受约束排序并不是彼此独立的功能模块：它们共同构成了从写入、召回到证据返回的闭环。

P1 至 P5 的结果还带来三点阶段性认识。第一，查询规划带来的稳定收益可能比盲目增加检索器更重要；第二，覆盖率高、结构复杂或解释性强，并不自动等于检索效果好，必须通过成对实验验证；第三，负结果不是研发终点，而是帮助系统收缩到更清晰边界的证据。正因为 P2、P3 和P5 的部分假设被否决，P4 才能把精力集中到真正占主导的召回失败。

我们认为，面向 Agent 的长期记忆应把“可追溯的事实表达”“原始来源保留”“候选范围约束”“精确用户隔离”和“可证伪的评测协议”视为基础能力。只有这样，记忆系统才能从回答中看似相关的文本检索，进一步走向能够支撑复杂任务的证据系统。