有据续写：面向LLM对话的线性时间运行时验证器

在长对话中，LLM可能产出听起来合理、却建立在对话早已放弃的前提之上的下一句话语。针对已部署智能体的上下文操纵攻击正在主动利用这一缺口。我们用一个维护显式依赖图的运行时验证器来封堵它：LLM将每轮对话分类为来自四种形式体系（动态认知逻辑、溯因推理、觉知逻辑、论辩）的8种更新操作之一，符号引擎记录哪些论断依赖哪些证据。检查续写是否有依据可归约为图遍历；撤回在同一图中传播，恰好标记失去支持的结论，每轮成本为线性并具有形式化的无冲突保证。在LongMemEval-KU oracle（n=78）上，验证器达到89.7%准确率，对比纯LLM基线的88.5%（+1.3个百分点）和按检索预算对齐的transcript-RAG基线的87.2%（+2.6个百分点）；分歧中的胜出项是基线在编造时验证器正确弃答的情形。在LoCoMo的60个官方问答项上，验证器与检索增强基线相当。除外部基准外，我们构建了两个多智能体场景和一个50项落地性测试：在15项陈旧前提子集上，验证器达到100%准确率，对比93.3%（+6.7个百分点）。这些实例化了一个可靠性-忠实性分解：结构检查在构造上是可靠的，而每次部署的LLM抽取忠实性则是我们在四个LLM家族上测量的经验问题。撤回检查稳定在微秒量级，而历史重放随对话长度线性增长。