对话基准研究：Raw-RAG在所比较记忆系统中领先
AI 总结
一篇 arXiv 预印本提出 Raw-RAG 基线，通过对原始对话历史进行密集检索和重排序，向阅读器 LLM 提供证据。作者报告称，在 LoCoMo、LongMemEval、MEME 和 MemoryAgentBench 上，Raw-RAG 在七组基准模型设置中的六组位列所比较记忆系统之首，比最强对比智能体记忆系统高 0.13 至 5.53 分。其证据分析显示，对必要信息的更全面覆盖可以抵消较低的证据利用率；必要信息既包括答案值，也包括推导答案所需的关系和依赖路径。
深度见解
该研究质疑复杂智能体记忆操作在所评估对话任务中的必要性，并将朴素 RAG 确立为一项重要基线。结论仅来自单篇预印本以及所评估的基准、模型和对比系统。
Computer Science > Artificial Intelligence
arXiv:2610.30755 (cs)
[Submitted on 22 Oct 2026]
Title:Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought
Authors:Zhengye Bao, Shengtao Zhang, Haokai Zhang, Shiqi Lou, Muning Wen, Minnan Luo
View a PDF of the paper titled Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought, by Zhengye Bao and 5 other authors