第3章：Construction Trigger Primitive 全景——把「创新」翻译成可证伪假设

“在低置信度时触发记忆构建”听起来很 agentic，但作为一个工程主张，它的可证伪形式应该是：在配对二元 acc 上，触发版本相对零构建版本提升 ≥ 2 pp，且 95% CI 排除 0。本章把 6 类 trigger primitive 各自翻译成这样的形式——什么时候写、写什么、写到哪——并给每类一个可证伪假设模板和对应的 ablation 设计。读完这章，你不再用”adaptive”、“intelligent”、“selective”这种营销词写论文，而是写”H_X: Δ binary acc ≥ +2 pp on n=N paired with McNemar p<0.05”。

1. 为什么需要把 trigger 写成假设

1.1 营销词 vs 假设

论文里的话	翻成可证伪假设
”adaptive memory writing”	H: 关掉自适应路由后，paired Δ binary acc 下降 ≥ 2 pp
”selective extraction”	H: 写率 100% vs 当前比例的 paired Δ ≥ 2 pp
”intelligent caching”	H: cache 持久化（C4）相对 ephemeral（C3）paired Δ ≥ 2 pp
”cognitive-inspired”	（这不是命题，忽略）
“self-organizing structure”	H: 锁定固定结构相对动态结构 paired Δ ≥ 2 pp

🍎 直觉：营销词是”某种主张”，假设是”在数据上能被证伪的具体语句”。你的论文必须能让 reviewer 用一句话回答”如果 H 错了，你应该看到什么数据”。

1.2 不可证伪的”假设”长啥样

❌ “Our system improves agent memory.” → 没有量化、没有 baseline、没有 sample size

❌ “We expect adaptive routing to help.” → “help”是什么？多少 pp？

❌ “Cache should generalize across queries.” → “generalize”怎么测？

✅ “Persistent caching (C4) improves paired binary accuracy by ≥ 2 pp over ephemeral caching (C3) on LoCoMo, with conversation-clustered McNemar p < 0.05, on n=764 paired QA.”

🌟 核心：可证伪假设 = 方向 + 大小 + benchmark + sample size + 显著性阈值 五件齐。

2. 六类 trigger primitive 总览

把 G3 时代所有 Agent Memory 系统的写触发器归为 6 类（前 5 类是显式的，第 6 类是隐藏陷阱）：

2.1 Input-Driven（输入驱动）

定义：每接收一段用户/agent 输入，无条件写入 memory。典型：Mem0、SimpleMem、LiCoMemory、EMem（gated 版属于子集） 伪代码：

def on_input(message):
    facts = llm_extract(message)
    memory.add(facts)

优点：实现最简单、覆盖率最高（不会漏存信息）。缺点：build cost 与对话长度线性增长；大量低密度内容浪费 token。

2.2 Output-Driven（输出驱动）

定义：每生成一段 agent 回答后，回看 input + output 写入 memory。典型：A-Mem、Memori、Nemori 伪代码：

def on_output(message, response):
    facts = llm_extract(message + response)
    memory.add(facts)

优点：抓住”对话中真正发生的事”（含 agent 推理）；适合 reflection trigger。缺点：build 频率仍高；推理过程可能引入幻觉进 memory。

2.3 Failure-Driven（失败驱动）

定义：仅在 retrieval 置信度低或任务失败时触发写入。典型：本模块作者论文的 H1（被证伪） 伪代码：

def on_query(question):
    chunks, conf = memory.retrieve(question)
    if conf < tau:                 # 低置信度
        artifact = llm_synth(chunks, question)
        memory.add(artifact)
    return llm.answer(chunks + [artifact], question)

优点：build cost 最低；只在”真正需要”时写。缺点：触发信号本身要可靠（M2 AUC 决定）；artifact 生成基于已经低质量的 retrieval，存在”低质量进、低质量出”的内生缺陷。

2.4 Scheduled（调度驱动）

定义：按 buffer 大小 / 时间窗 / token 预算固定触发。典型：LightMem（512-token buffer）、MemoryOS（FIFO） 伪代码：

buffer = []
def on_input(message):
    buffer.append(message)
    if total_tokens(buffer) >= 512:
        facts = llm_extract(buffer)
        memory.add(facts)
        buffer.clear()

优点：build 频率可预测、可控；摊薄 LLM 调用成本。缺点：buffer 大小是 hyperparameter，跨 dataset 不可移植。

2.5 Hybrid / RL（混合或学到的触发）

定义：多信号融合或 RL 学习触发策略。典型：D-MEM（dopamine-gated）、Selective Memory（write-time gating） 伪代码：

def on_event(event):
    signals = [retrieval_conf, novelty, recency, ...]
    if rl_policy(signals) == "write":
        memory.add(llm_extract(event))

优点：理论上可学到最优策略；与 input/output/failure 不互斥。缺点：RL 奖励信号高度任务依赖；跨任务泛化不可知。

2.6 Oracle（隐藏的”作弊”触发）

定义：用 benchmark 提供的标签（如 question_type、answer_id）决定写策略。问题：这不是真正的 agentic，是隐藏 oracle access。论文若不声明，等于刷分。

⭕ 审计提示：扫描 query / write 函数签名是否含 question_type / category / answer_id 等参数；扫描 evaluation 脚本是否把这些字段直接喂给系统。

3. 可证伪假设的三件套模板

每个 trigger primitive 对应的假设都需要三件套：

3.1 三件套结构

H_X：方向 + 大小 + 显著性
     在 N 题配对样本上
     用 [test 名称] 显著
     端点为 [endpoint 名称]

3.2 通用模板

H_X: {triggered_condition} 相对 {baseline_condition}
     在 paired binary accuracy 上提升 ≥ {delta_pp} pp，
     且在 n = {N} 题 paired 样本上，
     {test_name} p < {alpha}，
     95% CI 排除 0。

3.3 实例化（按 6 类）

Trigger 类型	H 实例化
Input-driven	”C_IN（每输入必写）相对 C1（zero-build）paired Δ ≥ 2 pp on n=500 LongMemEval-S, McNemar p<0.05”
Output-driven	”C_OUT（每输出回写）相对 C1 paired Δ ≥ 2 pp”
Failure-driven	”C3（低置信度触发）相对 C1 paired Δ ≥ 2 pp”
Scheduled	”C_SCH（buffer 满触发）相对 C1 paired Δ ≥ 2 pp”
Hybrid/RL	”C_RL（RL 学到的策略）相对 C_SCH paired Δ ≥ 2 pp”
Oracle（揭穿）	“C_ORACLE（用 question_type 路由）相对 C_BLIND（不用）paired Δ ≥ 5 pp”（这是验证 oracle 偷分多少的对照）

4. 案例：H1a 与 H1b 的写法

本模块作者论文给出的两个完整可证伪假设，可作为模板。

4.1 H1a（failure-driven, ephemeral）

H1a: ephemeral failure-triggered synthesis (C3) improves paired
     binary accuracy by ≥ 2 pp over zero-build retrieval (C1) on
     LongMemEval-S, with McNemar p < 0.05.

主端点: paired binary accuracy
secondary: token-F1
sample: n=500 (full LongMemEval-S, paired against C1)
test: McNemar exact (scipy.stats.binomtest)
SESOI: ±2 pp

结果：4 backbone 全部不达 +2 pp，方向均负。H1a 被证伪。

4.2 H1b（output-driven persistent vs ephemeral）

H1b: persistent caching (C4) improves paired binary accuracy by
     ≥ 2 pp over ephemeral (C3) on LoCoMo, with conversation-
     clustered McNemar p < 0.05.

主端点: paired binary accuracy
secondary: token-F1
sample: n=764 (5 conversations × all QA, paired)
test: clustered McNemar (conversation-level resampling)
SESOI: ±2 pp

结果：Δ = +0.00 pp on binary acc, p=0.55, n=764。H1b 被证伪。

🌟 关键：两个假设在跑实验前就锁死了”成功阈值”。结果失败但论文仍可发——因为预先承诺的失败仍是科学发现。

5. ablation 应该排除什么变量

把 trigger primitive 当成”自变量”测它对 acc 的”因变量”影响时，必须控制混杂变量。

5.1 必须固定的变量

变量	怎么固定
Backbone（LLM）	主实验单一 backbone；多 backbone 仅作 sanity
Retrieval pipeline	embedder + 稀疏检索 + reranker + top-K 全锁死
Judge	用 benchmark 官方 prompt
Prompt 模板	答题 prompt 不能因 condition 切换
τ 阈值	在 dev split 上预选定，主实验不调

5.2 应该测的 ablation

Ablation 名	关掉的组件	测的问题
C1 zero-build	关掉所有 trigger 与 cache	trigger primitive 的 baseline
C3 ephemeral	关掉持久化（仅当前 query 用）	持久化是否有用
C4 persistent	完整版	主条件
C5 separate-channel	把 cache 和 raw chunks 分两个 retrieval channel	是否 displacement 是问题
C6 budget-matched	C5 但总 chunks 数等于 C4	是否上下文容量是问题

🌟 本模块作者论文 P2：C4 / C5 / C6 paired bootstrap 95% CI 全部跨过 0 → “no design knob 解决问题”。

场景	建议 SESOI
学术 paired-internal 研究	±2 pp（同本模块作者论文）
工业生产部署	±5 pp（考虑运维成本）
跨 backbone 普适性主张	±1 pp（要求严苛）
探索性研究	±3 pp

6.3 SESOI 的两个用途

设定 H 阈值：H 写”Δ ≥ SESOI” → +2 pp 是 SESOI，对应 “H 通过”
TOST 等价检验：90% CI 完全在 [-SESOI, +SESOI] 内 → 接受等价

⭕ 预注册铁律：SESOI 跑实验前定，跑完不能改。如果跑出 +1.5 pp 就把 SESOI 调到 1.0 pp 让 H 通过——这是 cherry-pick。

7. 把营销词翻成假设：实操练习

下面 5 个真实论文里出现过的句子，你来翻成可证伪假设。答案在表格右列。

营销词原句	翻成假设
”Our system uses adaptive memory routing.”	H: 关掉路由（单一 channel）相对原版 paired Δ binary acc 下降 ≥ 2 pp on n=500
”We propose selective fact extraction.”	H: 写率 100%（全写）相对当前选择性写率 paired Δ ≥ 2 pp（方向不限）
“Memory is consolidated through reflection.”	H: 关掉 reflection consolidation 后 paired Δ ≥ 2 pp
”Self-organizing memory structure.”	H: 用固定 chunk 结构（K=3 turns）相对动态结构 paired Δ ≥ 2 pp（方向不限）
“Cognitive-inspired three-layer architecture.”	（cognitive-inspired 是叙事 hook，不是假设；真正的假设是”三层 vs 单层” paired Δ ≥ 2 pp）

🌟 练习收获：每个营销词都有对应的 ablation——把 ablation 写成假设，论文从”展示新方法”升级成”测试可证伪命题”。

✅ 自我检验清单

6 类命名：能列出 input-driven / output-driven / failure-driven / scheduled / hybrid / oracle 并各举一例
三件套模板：能写出”effect direction + magnitude + 显著性 + sample size”齐全的假设
SESOI：能为自己的 pipeline 选一个合理的 SESOI 值并解释为什么
ablation 排除变量：知道在测试 trigger primitive 时应该控住 retrieval / judge / prompt 哪些变量
“adaptive” 翻译：能把任何论文里的”adaptive memory”翻译成可证伪形式
6 类对应 ablation：能为每类 trigger 设计对应的 C_X ablation 条件
oracle 识别：能在一段代码里识别 question_type oracle 路由

📚 参考资料

概念入门

本模块第 2 章 §3 atlas —— 6 类 trigger 在 11 系统中的分布
本模块第 4 章 —— 假设写完后跑统计三件套的工具

关键论文

本模块作者论文 EXPERIMENTS_PREREG.md —— H1a / H1b 完整可证伪假设的真实样本
A-Mem（Xu et al., NeurIPS 2025）：arXiv 2502.12110 —— output-driven 代表
Mem0（Chhikara et al., 2025）：arXiv 2504.19413 —— input-driven 代表
LightMem（Fang et al., ICLR 2026）：arXiv 2510.18866 —— scheduled 代表
D-MEM（Song & Xin, 2026）：arXiv 2603.14597 —— RL trigger 代表
Selective Memory（Zahn & Chana, 2026）：arXiv 2603.15994 —— hybrid trigger 代表

行业讨论

“Falsifiability in NLP” 讨论 —— ACL 2024-2026 多个 panel 关于 NLP 实证研究可证伪性的讨论

框架文档（如适用）

本模块作者论文 motivation/persistence_ablation.py —— C1/C3/C4/C5 6 类 trigger 的真实 Python 实现