满足、比较或弃权：LatWeave 在知识格上实现确定性多跳问答

概率问答系统——无论是大型语言模型（LLM）本身、检索增强生成（RAG）还是经过训练的多跳检索器——将“已知内容”和“如何推理”合并为单一概率计算：幻觉无法消除，证据链无法审计，系统即使在不知道的情况下也会回答。我们提出了 LatWeave，它将知识组织成多维知识格，并将多跳 QA 编译成三个确定性算子——满足（约束交集）、比较（格序比较）和弃权（结构性弃权）； LLM 只出现在构建端（一次性提取）和查询规划端，而答案生成路径是零 LLM、零任务训练和端到端可审核——因此，基于网络发布知识的问答变得可逐项重现。我们并没有声称全面的 SOTA，而是在六个公共基准上描述了这种范式的操作范围：当知识完整时（MetaQA，39,093 个问题），满足链在三跳上几乎无损（任意命中 0.9975，与完全监督的 KBQA 相当）；在模板化多跳主场（2WikiMultihopQA 保留 n=1,258）EM 0.865，远高于已发布的结构增强 RAG 复制品；在开放文本深度合成（MuSiQue）和提取覆盖间隙（HotpotQA）上，我们诚实地报告退化并将其归因于格代数层之外的原因；当信息不完整时（IIRC），我们实现结构性弃权，弃权准确度为 0.971，泄漏率为 0.029。在操作范围内，确定性执行不会带来性能损失，并且答案路径上的每一步都可以重新计算——这正是端到端可审计性的来源。