检索增强的语言模型系统通常通过查询条件的相关性来挑选上下文。我们认为，长期运行的 AI 系统还需要第二个操作：激活条件的记忆可用性。本文提出一种架构：
- 请求与目标线索 用于种子化一个受授权的记忆图。
- 激活与衰减因子 决定遍历前沿的边界，使搜索保持在可控范围内。
- 递归检索实体 会继续发出线索，推动图的扩展。
- 类型化证据图 在生成前被完整重建，以供模型使用。
该架构带来五个关键后果：候选选择、遍历控制、图正则化、证据重建以及强化学习的交互。我们给出实现层面的成本估算，定义了消融实验、失败条件以及可复现的评估协议。核心假设是：若一个更简单的图重新排序器在相同预算下能够在因果和时间恢复上匹配完整遍历，则本文的主张被削弱或否定。本文未提供基准测量数据。若假设成立，检索返回的将是使记忆可用的证据路径，而非单纯的排序列表。
点评：该工作为记忆激活机制提供了系统化的图结构视角，虽缺实验验证，但为后续实现指明了明确的评估基准。