在赋值轨迹中保存理由
冲突驱动子句学习通常简称CDCL，处理有限命题合取范式的可满足性问题。与基础DPLL一样，求解器交替进行单元传播和分支决定；不同的是，它把失败分支视为可以分析的证明材料，而非只撤销赋值再换一个方向。
每次主动决定开启一个决策层，由它引出的传播赋值属于相应层，并保存促成传播的理由子句。若某子句的全部文字都变假，该子句成为冲突的起点。决策层描述搜索的先后次序，理由则解释具体赋值为何被强制，二者在分析中承担不同作用。
学习子句必须由公式蕴含
例如，公式包含¬a∨b、¬c∨d、¬e∨f和¬f∨¬e∨¬b。第一层决定a真，传播得到b真；第二层决定c真，得到d真；第三层决定e真，得到f真，此时最后一个子句全部为假。
把冲突子句与¬e∨f在f上归结，可得¬e∨¬b；再与¬a∨b在b上归结，可得¬e∨¬a。这条学习子句说明a与e不能同时为真，它是原有子句的逻辑后果，而不是为排除失败路径临时添加的任意限制。上例的c、d不参与矛盾原因，故不应机械地把全部决定都写进结论。
利用冲突越过无关层
保留¬e∨¬a后，可撤销第二、第三层并回到第一层。在a仍为真的情况下，学习子句成为单元子句，立即强制e为假。这种回跳越过了与当前冲突无关的c决定，区别于每次只退一层的顺序回溯。
实际求解器通常依据蕴涵图分析冲突，并常采用第一唯一蕴涵点方案，使学习子句在适当回跳后能够传播。学习哪条子句、回到哪层、如何挑选下一个变量都影响效率，但必须维持推理的可靠性。根层传播已经产生冲突时，才可在没有尚待更换的分支决定下报告不可满足。
重启、遗忘与完备性
重启撤销当前搜索决定，通常保留部分或全部学习成果，因此不是完全失忆地重跑。子句删除则限制数据库的规模和传播成本；删除适当的冗余学习子句不会改变原问题的满足赋值，但可能改变后续搜索需要完成的工作。
可靠性与终止性不可混为一谈。一个每步都正确的程序，如果无限重启、重复学习或不断丢失进展，仍可能迟迟不作出判定；完整算法需要约束这些策略，保证搜索最终推进。CDCL大幅改善许多实际实例，却不提供所有输入都高效的承诺，也不是神经网络式训练。