长上下文模型像人逐页阅读打印稿一样，按叙事顺序一次读取一个 token，所有历史信息共享固定的注意力预算。侦探的思维方式不同：他们会把事件按时间排序，维护人物关系图，使得第一章的线索能够在书末的问题中被调用。本文检验了冻结的知识图谱能否为一个小型本地模型提供同等的自由度。实验使用固定的 qwen3.5:9b 阅读器，针对三十部侦探小说和 234 道多项选择题，设置九种条件：五条图路、最近窗口基线、全书压缩、普通向量检索以及仅提问控制。最强的图路在整体上取得 53.85%（126/234）的正确率，优于最近窗口的 46.15%、压缩的 51.28%、向量检索的 51.71%以及仅提问的 40.17%。在所有模型在不阅读原文时均无法作答的子集上，图路仍能达到 42.86%。由于十五组图基线对比均未通过 Holm 校正，本文将结果视为探索性证据。两项结构性发现更具稳健性：标注证据在图的拓扑核心区域出现频率提升 2.35 倍（合并后），且两条图构建流水线在标注覆盖率上差异显著（分别为 16% 与 73% 的线索段落），单纯的整体准确率会掩盖具体瓶颈所在。
点评