通过背景故事上的多步推理编辑知识，而不仅仅是事实

使大型语言模型整合新知识并在推理中灵活应用仍具挑战。现有知识编辑方法侧重原子事实，虽提升事实召回率，却难以将新信息融入跨上下文的连贯框架。本文主张知识内化本质上是推理而非记忆问题，提出一种训练策略：首先，将新知识作为连贯的背景故事引入；其次，利用涉及新信息的多跳自生成问题进行多步推理训练；最后，通过知识蒸馏迫使学生在无新知识访问下内化教师的推理行为。实验表明，该策略能有效提升模型在结合多个新事实的复杂推理任务中的表现。