超越线性上下文：用本地9B语言模型对长篇小说进行图谱引导的证据导航

长上下文模型读小说的方式就像人读打印稿：按叙事顺序逐个 token 读下去，整段历史争夺固定的注意力预算。侦探却不是这样工作的：他们会梳理事件的时间顺序，并保留一张人物关系地图，让第一章的线索能够呼应书末提出的问题。我们测试一张冻结的知识图谱能否赋予小型本地模型同样的自由。三十本侦探小说、234 道选择题，由同一个固定的 qwen3.5:9b 阅读器在九种条件下作答：五条图谱路线、近期窗口基线、全书压缩、普通向量检索以及仅问题的对照。最强的图谱路线达到 53.85%（126/234），而近期窗口为 46.15%、压缩为 51.28%、向量检索为 51.71%、仅问题为 40.17%。在没有任何模型离开原书就无法作答的子集上，图谱路线达到 42.86%。十五组图谱-基线对比无一能通过 Holm 校正，因此我们将其作为设计层面的探索性证据呈现。有两个结构性结论比头条数字更经得起推敲：标注证据集中于这些图谱的拓扑核心（合并后 2.35 倍富集），且两条图谱构建流水线在标注覆盖率上差异巨大（线索段落的 16% 对 73%），仅看合并准确率会掩盖所测量的瓶颈。