记忆在当前推理时可能已经过时，但在重建过去情境时仍然必不可少。传统的基于语义相关性的检索往往忽视了三类关键属性的区别：语义相关性、证据有效性以及查询特定的可用性。为此我们提出 CALM（Conflict-Aware Lifecycle Memory governance），它将持久记忆的保存与查询时的接纳解耦，实现冲突感知的记忆生命周期管理。\
CALM 首先把异构的记录转化为 证据驱动的记忆单元，并通过 支持信号、冲突信号和依赖信号 动态更新每个单元的有效性和生命周期状态。随后在查询阶段，系统依据 时间适用性 采用训练无关的门控或学习式门控，将最符合当前需求的证据接纳进入推理过程。\
在 LongMemEval‑S 与 LoCoMo 两套基准上，分别使用 Qwen 与 GPT 作为底层语言模型进行实验。结果表明，CALM 在整体准确率上显著超越所有对比方法，且在仅做简单过滤或重排序的情况下，加入查询条件的接纳机制还能进一步提升证据选择的质量。冲突阻断与鲁棒性分析显示，CALM 能有效抑制错误检索的记忆，同时保留有价值的证据。历史重建实验进一步验证，保留被取代的记录有助于准确推断过去状态，而不会削弱对当前状态的回答能力。\
点评