ADEMA：一种用于 LLMAgent 长程知识合成的知识状态编排架构

长程大语言模型任务常因知识状态漂移、中间承诺隐式化及中断导致证据链断裂而失败。本文提出 ADEMA，一种专为长程知识合成设计的知识状态编排架构。该架构融合显式认知记录、异构双评估治理、自适应任务模式切换、基于声誉的资源分配、可断点续传的持久化机制、片段级记忆压缩及工件优先组装等策略。实验表明，移除断点续传会导致任务无效，而其他机制主要优化轨迹纪律与成本质量行为，确立了以显式状态转移和可恢复连续性为核心的设计原则。