EvoMemState：面向个人智能体的演化式记忆状态框架 EvoMemState: Evolving Memory State for Personal Agents
把记忆从孤立事实升级为“事实+关系状态+推理状态”，并用强化学习学会何时、如何使用记忆
前置知识
LLM 智能体的长期记忆
指让大模型智能体把跨会话的用户信息（偏好、经历、信念、约束等）持久化保存，供后续交互使用的机制。典型流程包括：从对话中抽取事实、组织存储、按需更新、检索后注入上下文。代表系统有 MemoryBank（经验摘要+遗忘曲线）、MemGPT（分层存储）、Mem0（原子事实增量抽取与合并）、A-MEM（互链笔记）、Supermemory/SimpleMem（生命周期管理与压缩索引）等。
本文的动机、方法与全部实验都围绕长期记忆系统展开，理解这一范式才能看清它要改进的对象和对比基线。
事实中心（fact-centric）范式及其缺陷
现有系统把记忆当作一条条独立的事实记录来存取，只关心记录内容本身的存储、更新与检索。缺陷在于：一条事实的当前有效性、适用范围、以及它与其他记录之间的更新/冲突/约束关系都没有被显式保存。于是语义上只命中一条的检索会漏掉解释它所需的新版本或限制条件，检索齐了也不知道该让哪条记录主导回答。
论文第2章的两组初步实验正是量化了这个范式的两大失败模式（检索不完整约58-62%、证据齐全也只对一半），这是全文立论的基础。
本体（Ontology）与记忆图谱
一种结构化知识组织方式：用概念节点构成层级（PARENT_OF 边），把每条事实挂载到最具体的概念下（CONTAINS 边），再用带类型的关系边连接事实。本文用 SUPERSEDES 表示新记录替代旧记录、CONFLICTS_WITH 表示尚未解决的矛盾，通过 CREATE/MERGE/SPLIT 三种操作增量演化概念层级；关键约定是事实本身永不改写，一切变化只写入随时间演化的状态属性中。
EvoMemState 的 Relational State 完全由这个记忆本体的结构和属性派生，检索时的关系遍历也沿着这些边进行，是方法第一阶段的核心。
GRPO（组相对策略优化）
DeepSeekMath 提出的强化学习算法：对每个输入采样一组（本文 $G=8$）候选输出，用组内奖励的相对值（归一化后的优势 $\bar{A}_i$）替代价值网络，配合 PPO 式裁剪目标与 KL 正则更新策略：$\mathcal{L}_{GRPO}(\theta) = -\frac{1}{G}\sum_{i}\frac{1}{T_i}\sum_{j}\min(\rho_{i,j}\bar{A}_i, \text{clip}(\rho_{i,j}, 1-\epsilon, 1+\epsilon)\bar{A}_i) + \beta_{KL} D_{KL}(\pi_\theta \| \pi_{ref})$，其中 $\rho_{i,j}$ 是新旧策略的词元级概率比。
本文的 Memory State Evolution Policy 就是用 GRPO 训练的 Qwen3-4B 模型，奖励如何设计、优势如何归一化，是看懂其核心创新的关键。
记忆谄媚与记忆使用基准
记忆谄媚（memory-induced sycophancy）指智能体不适当地顺从历史记忆——例如沿用已被用户放弃的旧偏好、让过时的策略或信念干扰当前任务——而不是服从当前请求的客观约束。MemSyco-Bench 用 When/How to Use 准确率、谄媚率（Syco. Rate）、正确使用率（Correct Use）评测；MemTrapBench 考察记忆诱发的认知陷阱（任务边界、认知偏置、创伤回避、安全）；LoCoMo/LoCoMo-Refined 评测长期对话的召回与时间推理。
主实验在四个基准上进行，这些指标的含义（尤其“完整检索率”与“证据齐全时准确率”的区分）直接影响对结果表的解读。
研究动机
现有个人记忆系统（MemoryBank、Mem0、LightMem、A-MEM、Supermemory、SimpleMem 等）几乎都采用事实中心范式：把对话抽取成一条条独立记录，分别存储、更新和检索。作者在 MemSyco-Bench 的 Valid Memory Selection 子集上做了两组初步实验，暴露出两类具体失败。其一，相关记忆无法被完整召回：MemoryBank、LightMem、Supermemory 分别有 58.9%、61.8%、58.0% 的案例没有检索齐回答所需的全部记忆（Fig.2），而五个系统中四个在“证据齐全”时的答案准确率比“证据缺失”时高 5.9–33.3 个百分点——说明单独检索一条语义相关的记忆远远不够，旧偏好、新偏好、身体约束（如膝盖受伤）必须一起呈现才能重建用户的当前状态。其二，即使证据齐全也用不对：六个系统的平均准确率只有 50.5%，加上一个固定的自我反思提示反而降到 48.9%，降幅最大的是 Mem0（-1.6 个百分点，Fig.3）。也就是说，召回完整不等于使用正确；“这条记忆对当前请求是否适用、扮演什么角色、优先级多高”这些信息无法从事实内容本身推导，而现有系统没有显式建模。
本文的目标是本文的目标是把个人记忆从“事实集合”升级为“事实 + 状态”的表示，让智能体既知道记忆之间如何演化，也知道面对当前请求该如何使用它们。具体拆成三个可操作的子目标：一是构建并维护连贯的记忆状态——随着对话积累，把散乱的观察组织成个人记忆本体，显式保持每条事实的当前有效性、适用范围以及与其他事实的 SUPERSEDES/CONFLICTS_WITH/约束关系，同时不覆盖原始记录，保证历史问题仍然可回答；二是把“记忆使用策略”变成可学习的对象——同一记忆在不同请求下可能是主要证据、偏好、约束或完全无关，这种判断要从真实使用反馈中通过强化学习内化，而不是依赖固定的反思模板；三是在推理时为每个请求生成一个显式的 Reasoning State，说明各条相关记忆的适用性、角色与优先级，并验证这套机制能同时提升检索完整性（retrieval completeness）和记忆使用正确性（memory-grounded response accuracy）。
与已有工作不同的是，已有工作的切入点各不相同：Mem0 抽取并合并原子事实、A-MEM 给笔记动态建立关联、Supermemory/SimpleMem 做持续更新与生命周期管理，它们改进的是“记录怎么存、怎么更新”；Self-Recheck、MemGate、Dynamic Partition 等推理期手段靠过滤或分区来约束记忆使用，但规则固定、不积累经验。EvoMemState 的独特切入有三点。第一，把“记忆内容”与“记忆状态”解耦：事实永不改写，一切变化（失效、范围收缩、冲突）都记录在随时间演化的 Relational State 里，兼顾历史可追溯与当前语义正确，避免了 Mem0 式合并改写导致的历史信息丢失。第二，把“怎么用记忆”从一次性推理提示升级为通过强化学习内化的策略：用候选 Reasoning State 相对“同一证据、不带状态”基线的答案增益 $R_i = \text{Score}(\mathcal{A}(q, M_q, Z_q^{(i)}), y^*) - \text{Score}(\mathcal{A}(q, M_q), y^*)$ 作为奖励，让使用经验跨请求、跨系统复用。第三，生成的状态是自然语言规则，不改动响应模型参数，可即插即用地叠加到 NaiveRAG、Mem0 等异构记忆系统上。
核心方法
直觉上，EvoMemState 主张“记忆 = 事实 + 状态”：事实回答“用户说过什么”，状态回答“这些话现在还算数吗、彼此什么关系、此刻该怎么用”。技术上分三个阶段。第一阶段 Ontology-Guided Memory State Induction：把到第 $t$ 轮为止的对话 $H_t$ 抽取成时间有序的原子 Persistent Facts $\mathcal{F}_t = \{f_1, \dots, f_{N_t}\}$，每条含单一命题、来源轮次、逐字证据引文和时间戳；按时间顺序逐条并入记忆本体 $\mathcal{G}^{(i)} = \text{Induce}(\mathcal{G}^{(i-1)}, f_i)$，概念层级用 PARENT_OF/CONTAINS 边、事实关系用 SUPERSEDES/CONFLICTS_WITH 边，并派生每条事实的 Relational State $r_t^i = (f_i, a_t^i, \rho_t^i)$，其中 $a_t^i$ 是当前有效性与范围，$\rho_t^i$ 记录概念挂载与关系。第二阶段 RL-Based State Evolution：用 GRPO 训练 Memory State Evolution Policy $\pi_\theta$，学会从请求与证据生成 Reasoning State $Z_q \sim \pi_\theta(\cdot \mid q, \mathcal{F}_q, \mathcal{R}_q)$。第三阶段 State-Aware Reasoning：推理时先检索 $K$ 个种子事实，沿关系边双向遍历补齐证据，再由策略生成 $Z_q$，冻结的个人智能体基于“证据+状态”作答 $\hat{y} = \mathcal{A}(q, \mathcal{F}_q, \mathcal{R}_q, Z_q)$。整体 Memory State 记为 $\mathcal{S}_t(q_t) = (\mathcal{R}_t, Z_{q_t})$：Relational State 表达事实是否仍成立、如何相关，Reasoning State 表达此刻该如何使用。
核心创新是把记忆状态拆成“持久的”与“请求特定的”两层，并用带反事实对照的强化学习来学第二层。Relational State 是持久的：它随新对话演化，回答事实之间如何更新、冲突、约束，由本体结构直接派生，无需学习。Reasoning State 是请求特定的：同一条膝盖受伤记录，在推荐运动时是硬约束，在问旅行花销时无关，在问病史时就是答案——这种“适用性、角色、优先级”判断被建模成策略 $\pi_\theta$ 的输出。与已有方法的本质区别在奖励设计：每个候选状态都与一个“拿着完全相同证据、但不带状态”的基线答案对照（公式 10），奖励是两者的分差，因此策略学到的是“这条状态能否让固定证据被用得更好”，而不是复述事实或套用模板规则；再叠加格式违规与泄漏参考答案的惩罚门控防作弊。训练在离线完成（约 6 万训练实例），推理时策略一次性输出可复用的使用指导，响应模型完全冻结——这与每次现场反思的 Self-Recheck（Fig.3 证明平均反而有害）、固定过滤的 MemGate 有根本区别：使用经验被真正内化了，且能迁移到六个异构记忆系统上（整体增益 0.2–4.9 个百分点）。
方法步骤详情
第一步，事实抽取与本体归纳（离线，DeepSeek-V4-Flash 执行）：每个新对话会话连同本体的相关分支送入抽取器，产出至多 32 条原子记忆，每条带类型（preference/fact/belief/experience/constraint）、范围（global/domain/task/situation）、来源轮次、逐字证据引文与时间戳；同时提出概念编辑 CREATE/MERGE/SPLIT 和关系边 SUPERSEDES/CONFLICTS_WITH，全部更新需通过校验（证据有出处、边类型兼容、更新关系无环）后按会话提交；事实只增不改，一切变化写入 Relational State。第二步，训练数据构造：把 FEVER、SciFact 的事实核查任务改造成带支持证据的客观问答，并从个人信念、身份认同、自认专长三个视角注入与客观证据冲突的用户记忆；用 PersonaMem 的偏好标注构造“当前偏好 vs 历史偏好 vs 偏好更新”场景；再加入同场景异话题的干扰记忆，共约 6 万条问题-记忆实例。第三步，GRPO 训练（Qwen3-4B-Instruct-2507 初始化）：每个输入采 $G=8$ 个候选 Reasoning State（温度 1.0），冻结的 Qwen3-8B 智能体分别作答，奖励为相对无状态基线的分差并施加门控惩罚；组内归一化得优势，裁剪参数 $\epsilon=0.2$（上限 0.28）、KL 系数 0.001、学习率 $1\times10^{-6}$，rollout 批 512、全局批 4096，提示词与状态长度上限分别为 8192 和 512 词元。第四步，推理（State-Aware Reasoning）：bge-m3 把事实编码为 1024 维向量，检索 $K=10$ 个种子，沿存储的关系双向遍历、去重，得到 $\mathcal{F}_q$ 与对应 $\mathcal{R}_q$；策略在温度 0.3 下生成 2–4 条祈使句式动态规则（不超 80 词），与证据一起交给响应模型（Qwen3-8B 或 GPT-4o-mini，温度 0）作答。
技术新颖性
技术新颖性体现在四个层面。表示层：先前图记忆系统（A-MEM 的无类型笔记链接、Zep 的时间知识图、PGMem 的人格-事件图）主要服务于检索，本文首次把“记忆演化状态”作为一等公民显式建模——关系类型（SUPERSEDES/CONFLICTS_WITH）加上范围/有效性属性构成可演化的 Relational State，且事实不可变、状态可变，与 Mem0 式合并改写形成鲜明对比。学习层：以往“怎么用记忆”要么交给响应模型现场反思（本文 Fig.3 证明六个系统平均从 50.5% 降到 48.9%），要么用固定过滤器；本文首次用强化学习把使用经验内化成独立策略，反事实基线奖励把信用分配精确限定在“状态质量”上。系统层：策略输出是自然语言规则而非模型权重改动，实验证明可叠加到 NaiveRAG/Mem0/A-MEM/MemoryBank/MemGPT/LightMem 六个异构系统且全部为正增益，是一种“记忆使用中间件”式的贡献。评测层：作者同时发布 LoCoMo-Refined（修正歧义与主客体颠倒的标注、更严格的判分），并把“完整检索率”与“证据齐全时准确率”解耦，为社区提供了区分“检索失败”与“使用失败”的工具。
实验结果
四个研究问题对应四组结果。Q1 主结果（Table 1）：Qwen3-8B 下 EvoMemState 在 MemSyco-Bench 平均 57.6%，超最强基线（A-MEM 45.4%）12.2 个百分点，GPT-4o-mini 下 58.9% 超 5.9 个百分点；同时拿到最低谄媚率（38.0%/31.9%）和最高的 How-to-Use（72.4%/67.6%）与 Correct Use（81.3%/80.1%）。LoCoMo-Refined 上 LLM-judge 达 57.4/60.8 分，比最强基线高 6.1/7.0 分；MemTrapBench 平均 79.1/78.7，安全项 57.6/58.9 全场最佳；四基准总平均 59.9/61.2，领先最强基线 SimpleMem（53.6/52.8）约 6–8 分。Q2 状态有效性（Fig.5）：本体引导的关系遍历把完整检索率做到 85.6%（与最优基线持平），证据齐全时的准确率达 70.8%（LoCoMo-R）和 68.5%（MemSyco），分别超最强基线 11.5 和 31.2 个百分点，证明“证据齐了也会用错”的问题被 Reasoning State 解决。Q3 迁移（Fig.6）：把策略接到六个基线系统上全部获得 0.2–4.9 个百分点增益，NaiveRAG +4.9、Mem0/MemoryBank +4.8、A-MEM +3.4。Q4 消融（Table 2）：去掉 Relational State，MemSyco 掉 8.9、MemTrap 掉 6.4 分；去掉 Reasoning State 掉 8.0/15.0 分；保留状态生成但去掉 RL 训练掉 7.9/16.4 分——说明生成规则本身几乎不带来收益，收益来自从答案反馈中学到的使用决策。补充实验：Mem0 换上本策略后偏好更新准确率从 54.5% 升至 72.7%（Table 3）；检索只用 565 词元即达 0.816 命中率，比 MemoryBank（816 词元/0.789）短 30.8%、比 A-MEM（1440 词元/0.789）短 60.8%（Fig.11）；在证据齐全子集上，Acc@complete 从自我反思的 75.4% 升到 86.7%（+11.3），而各基线变化在 -1.6 到 +0.4 之间（Fig.13）。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| MemSyco-Bench（Qwen3-8B） | 平均准确率 | 57.6% | A-MEM 45.4%（最强基线） | +12.2 个百分点 |
| MemSyco-Bench（GPT-4o-mini） | 平均准确率 | 58.9% | A-MEM 53.0% | +5.9 个百分点 |
| LoCoMo-Refined（Qwen3-8B） | LLM-judge 分数 | 57.4 | SimpleMem 51.3 | +6.1 分 |
| LoCoMo-Refined（GPT-4o-mini） | LLM-judge 分数 | 60.8 | SimpleMem 53.8 | +7.0 分 |
| 四基准总平均（Qwen3-8B） | Overall 平均分 | 59.9 | SimpleMem 53.6 | +6.3 分 |
| 证据齐全时的作答（LoCoMo-Refined） | Acc@complete | 70.8% | 59.3%（最强基线） | +11.5 个百分点 |
| 证据齐全时的作答（MemSyco-Bench） | Acc@complete | 68.5% | 37.3%（最强基线） | +31.2 个百分点 |
| 检索完整性（LoCoMo-Refined，Table 4） | 完整检索率 | 0.680（命中率 0.816、覆盖率 0.747） | MemoryBank 0.669、A-MEM 0.662 | +1.1~1.8 个百分点 |
| 偏好更新类问题（Mem0+本策略，Table 3） | Preference Change 准确率 | 72.7% | Self-Recheck 64.7%（最强替代） | +8.0 个百分点 |
| 跨系统迁移（Fig.6，三基准平均） | 加入策略后的整体增益 | 六个系统全部为正增益 | 各系统 Base（无状态） | +0.2~+4.9 个百分点 |
局限与改进
作者自己承认的局限很明确：整个框架只处理文本交互历史，而真实个人记忆还包含文档、图片等多模态材料，如何跨模态表示、关联与使用是留待未来的方向。除此之外我还有几点观察。第一，评测依赖 LLM judge（外部裁判用 DeepSeek-V4-Flash），且在 LoCoMo 原版上对 Self-Guide 的增益只有 +0.9/+1.0 分，GPT-4o-mini 下 LoCoMo-Refined 甚至下降 1.4 分，说明在纯召回型任务上收益有限；MemSyco-Bench 的第一作者与本文作者重合，存在“自建基准自评”的潜在偏袒风险。第二，强化学习训练需要参考答案 $y^*$ 计算奖励，训练信号绑定特定的冻结智能体（Qwen3-8B）和评分器，换成没有高质量标注的真实场景时，如何从隐式用户反馈中获取奖励尚未验证。第三，本体只有两种事实间关系（SUPERSEDES/CONFLICTS_WITH）且要求更新关系无环，表达力有限；Fig.12 显示每个存储平均仅 22.1 条记录、27.3 条边，本体在数千条记忆规模下的归纳质量、检索成本与冲突仲裁都未测试；完整检索率 85.6% 意味着仍有约 14% 的请求拿不到全部证据（命中率 0.816 与完整检索率 0.680 之间差 13.6 个百分点）。第四，推理时每个请求多一次策略前向（至多 512 词元），高并发生产环境下的延迟与成本账没有给出。
独立分析的弱点
弱点一：奖励依赖参考答案与固定评分器。训练时每个候选状态都要让冻结智能体作答并打分，要求训练集有 $y^*$，且 Score 的实现可能成为策略钻空子的对象（作者只做了格式与泄题两种门控）。改进方向：用成对偏好比较、用户真实采纳行为或无参考的自一致性信号替代精确匹配奖励。弱点二：本体维护是 LLM 驱动的级联流程，抽取或关系判定错误会沿 SUPERSEDES 边传播，论文未报告抽取/关系判定的准确率；无环约束也排除了“往复摇摆、互相冲突”的真实偏好动态。改进方向：给关系边加置信度与证据强度，引入冲突仲裁机制，允许带权多边关系，并做增量人工抽检。弱点三：输入上限 8192 词元、$K=10$ 个种子加关系遍历，记忆库长大后可能超出预算或漏掉长程约束；实验库平均只有约 22 条记录，规模外推未知。改进方向：分层检索（先概念子图、后事实），学习自适应的种子数与遍历深度。弱点四：策略按记忆使用/召回类任务训练，对全新任务类型（如代码助手中的项目约定记忆）泛化性未测；Fig.6 显示强基线增益很小（LightMem 仅 +0.2）。改进方向：多任务混合训练与在线持续学习。弱点五：约 14% 的请求证据不全，此时 Reasoning State 反而可能给“残缺证据”背书，论文未分析证据缺失时状态的校准行为。改进方向：让策略显式输出“证据不足”信号并触发补充检索或拒答。
未来方向
作者提出的方向：把记忆结构扩展到多模态（文档、图像等用户材料），实现跨模态的表示、关联与使用。基于其成果还可延伸：其一，把奖励从离线参考答案换成在线用户信号（采纳/纠正/追问），让策略随真实用户持续演化，与作者团队“自演化智能体”的研究线自然衔接；其二，把 Relational State 与记忆遗忘/合并决策打通——SUPERSEDES 边其实给出了“何时可以安全遗忘”的天然信号，可与 PersistBench 等遗忘基准结合；其三，反向利用 Reasoning State 做可信度审计：状态显式声明了每条记忆的角色与优先级，可直接作为解释与争议仲裁界面，甚至用于检测记忆注入攻击与个性化安全风险（作者引用了 MemTrapBench、PerMemSafe 等工作）；其四，策略蒸馏——把 4B 策略的规则生成能力蒸馏进响应模型或本地小模块，省掉每请求的额外前向；其五，扩展关系词表（时间衰减、证据强度、范围继承）并与概率式记忆建模（如 MemSim 贝叶斯模拟器）结合，处理不确定的更新与冲突；其六，在多用户、隐私敏感场景下研究本体中的跨用户知识隔离与合规删除。
复现评估
复现条件相当友好。代码与实现细节已在 GitHub 开源（https://github.com/XMUDeepLIT/EvoMemState），作者还发布了修正标注版 LoCoMo-Refined（github.com/mem-eval-suite/LoCoMo_refined）；附录给出了完整的本体构建提示词（Table 5）、Reasoning State 生成提示词（Table 6）、各基准作答提示词（Table 7）以及全部基线的超参配置（Fig.14，统一使用 bge-m3、检索 top-10）。训练只涉及对 Qwen3-4B-Instruct-2507 做 GRPO（$G=8$、学习率 $1\times10^{-6}$、全局批 4096、提示词上限 8192 词元），属于单机多卡可承担的规模；约 6 万训练实例的构造配方在附录 D.1 有完整描述（FEVER/SciFact/PersonaMem 加冲突注入与干扰记忆）。门槛主要在三处：需要 DeepSeek-V4-Flash API 做离线记忆构建、GPT-4o-mini API 复现一组主实验，以及获取 MemSyco-Bench、MemTrapBench、LoCoMo 三套数据并复算 LLM judge 打分；此外训练数据的逐条标注与 MemTrapBench judge 的严格对齐可能需要少量调试。总体评估：中等难度——工程链路清晰、提示词与超参齐全、模型规模小，但涉及多个商业模型 API 与四套评测协议的串联。
论文图表
上下两栏对比两种范式：上栏“记忆中心”是传统的 对话历史→事实记忆→检索→智能体 流水线；下栏“状态中心”在事实之上增加了 Relational State（记忆演化关系）与 Reasoning State（请求特定的使用指导），共同构成 Memory = Fact + State。
一图看懂论文的核心立场转变：从“存取记录”到“存取记录+状态”，是理解全文的入口。
左图给出各系统“未检齐/检齐/完全没检到”的比例：MemoryBank 58.9%、LightMem 61.8%、Supermemory 58.0% 的案例未检索齐全部所需记忆；右图给出条件准确率，四个系统在证据齐全时比证据缺失时高 5.9–33.3 个百分点。
用数据证明事实中心系统的第一类失败——相关记忆不能被完整召回——直接支撑本文对显式关系建模的动机。
在证据已齐全的前提下对比直接推理与固定自我反思提示的准确率：反思使多数系统下降，Mem0 降幅最大（-1.6 个百分点），六个系统平均从 50.5% 降到 48.9%。
证明“检索完整不等于使用正确”，且固定的反思提示无济于事——这是引入“从经验中学习使用策略”的直接依据。
徒步旅行案例：用户曾喜欢徒步（M1）、后偏好海滩（M2）、膝盖受伤中（M3）。上图显示只检索 M1 会丢失更新与约束；下图显示即使三条齐全，智能体也可能推荐山地徒步——直到 Reasoning State 把 M1 标为历史、M2 标为当前偏好、M3 标为排除剧烈活动的约束。
用一个贯穿全文的具体例子把两类失败（缺上下文、缺使用判断）讲透，是理解 Relational/Reasoning State 分工的最佳材料。
本体构建的系统提示词全文：固定元本体（记忆类型、范围层级、SUPERSEDES/CONFLICTS_WITH 关系、CREATE/MERGE/SPLIT 编辑）、16 条规则（原子性、证据逐字引用、新偏好与旧偏好都保留并连 SUPERSEDES 边、范围克制等），输出单个 JSON 对象。
方法第一阶段完全由该提示词驱动，是复现记忆构建质量的关键材料。
推理状态生成提示词：要求输出 2–4 条祈使句规则、不超 80 词，按角色组织记忆（主要证据/偏好/约束/历史上下文），显式标注冲突与替代关系，禁止回答问题或发明内容，并给出 fact_need/preference_need 两个 0–1 打分维度。
Reasoning State 的输出格式与约束都定义在此提示词中，理解“状态到底长什么样、如何防作弊”必读。
四个基准的作答提示词模板，均在上下文中并列给出 Memory context 与 Reasoning State 两个字段；MemTrap 模板额外要求优先客观事实与安全而非误导性历史。
说明状态是以自然语言字段注入冻结响应模型的，是理解“即插即用”机制与公平对比设置的证据。