上下文：backjumping是对vanilla回溯的优化。它通过智能地跳回到导致失败的节点（而不是回溯到按时间顺序排列的父节点）来减少搜索树的分支因子。
人工智能的第5章，现代方法，第3版，p149-150给出了如何在回跳期间创建冲突集的简短示例。
这个例子是关于着色Australia's map。
引用有问题的部分：
搜索分支的“终端”失败总是发生，因为变量的域变空;该变量具有标准冲突集。在我们的示例中，SA失败，其冲突集（例如）{WA，NT，Q}。我们回到Q，Q吸收SA的冲突（当然减去Q本身）到它自己的直接冲突集合，即{NT，NSW};新的冲突集是{WA，NT，NSW}。也就是说，鉴于之前对{WA，NT，NSW}的分配，Q没有解决方案。因此，我们回溯到NT，这是最新的。 NT将{WA，NT，NSW} - {NT}吸收到其自己的直接冲突集{WA}中，给予{WA，NSW}（如前一段所述）。现在算法正如我们希望的那样回到新南威尔士州。
我很难理解强调的部分：
Q1的答案在前一段中，关键是决策顺序：
再次考虑部分分配{WA = red，NSW = red}（从我们之前的讨论来看，这是不一致的）。假设我们尝试T = red next然后分配NT，Q，V，SA。我们知道没有任何赋值可以用于最后四个变量，所以最终我们用完值来尝试NT。
NT是最新的，在这个例子正在讨论的时候它是堆栈的顶层。
我们回到新南威尔士州，因为这是与冲突集相交的最后决定。