发现目标分子的合成路线在新药与新材料的发现中至关重要。为实现这一目标，通常采用计算机辅助合成路线规划（CASP）方法，这类方法依赖于单步反应活性模型。在本研究中，我们提出一种基于现代霍普菲尔德网络（Modern Hopfield Networks）的模板驱动型单步逆合成模型，该模型能够学习分子与反应模板的联合编码，从而预测特定模板对给定分子的相关性。该模板表示方法具备跨不同反应类型的泛化能力，显著提升了模板相关性预测的性能，尤其在训练样本极少或完全缺失的情况下表现突出。该方法在推理速度上相比基线方法提升数个数量级，同时在USPTO-50k逆合成基准测试中，对于k ≥ 3的Top-k精确匹配准确率，实现了性能提升或达到当前最先进水平。实验结果的复现代码已公开，可访问 github.com/ml-jku/mhn-react 获取。