论文：直接检索原始对话，常比复杂的 Agent 记忆系统更好
西安交通大学团队的论文提出 Raw-RAG：不对对话历史做任何加工，直接用稠密检索加重排找出原始消息交给阅读模型。在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 上，它在 7 个基准×模型设置中有 6 个排名第一，比最强的对比记忆系统高 0.13–5.53 分。
要点
- 作者分析认为，必要证据的覆盖率高可以抵消利用率低；有用的证据不只是答案本身，还包括推出答案所需的关系和依赖路径
- 即使让阅读模型完整访问加工后的记忆库，准确率仍不如直接用原始证据
- 主实验用 text-embedding-3-small 和 Cohere Rerank-v3.5，附录给出 Qwen3-Embedding-4B 加 Qwen3-Reranker-4B 的开源替代；作者尚未测试更小的阅读模型
- 代码已在 GitHub 公开
为什么值得关注
给 Agent 加长期记忆前，先拿「原文检索」做基线：它实现简单、不丢信息，复杂的记忆加工要先证明自己比它强。
配套实验
已验证
检查 5/5 通过
GitHub Actions 实际运行 · Python 3.12.15 · 耗时 0.1s
保留原文 vs 写入时摘要：Agent 记忆的证据覆盖率
受论文 Naive RAG Is Stronger Than We Thought 启发，用构造的对话历史演示：写入时做摘要的记忆会丢掉「旧值」「原因」等证据，而对原始消息做检索能保住证据，代价是上下文更长。
结论构造数据中，Raw-RAG top-8 证据覆盖率 100.0%，覆盖式摘要 58.7%——摘要省上下文，但写入时没留的信息事后无法找回
… METRIC: Raw-RAG top-3 总体证据覆盖率 = 89.1 % METRIC: Raw-RAG top-8 总体证据覆盖率 = 100.0 % METRIC: 覆盖式摘要 previous 类覆盖率 = 0.0 % METRIC: Raw-RAG top-8 previous 类覆盖率 = 100.0 % METRIC: 覆盖式摘要 reason 类覆盖率 = 0.0 % METRIC: Raw-RAG top-8 reason 类覆盖率 = 100.0 % METRIC: Raw-RAG top-8 平均上下文长度 = 62 词 METRIC: 覆盖式摘要平均上下文长度 = 4 词 [PASS] 覆盖式摘要能覆盖全部「当前值」问题 [PASS] 覆盖式摘要写入时丢了旧值，「上一次的值」问题全部缺证据 [PASS] 带历史的摘要仍不记录原因，「修改原因」问题全部缺证据 [PASS] Raw-RAG top-8 的总体证据覆盖率高于带历史的摘要 [PASS] 检索条数从 3 增加到 8，覆盖率不下降 RESULT: 构造数据中，Raw-RAG top-8 证据覆盖率 100.0%，覆盖式摘要 58.7%——摘要省上下文，但写入时没留的信息事后无法找回
python main.py
查看代码与内网复现步骤 →
来源
原文
Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought
Hugging Face Papers · huggingface.co · 2026-10-22
原文
Litmeb/RAW-RAG
GitHub · github.com
### [论文：直接检索原始对话，常比复杂的 Agent 记忆系统更好]({{URL}})
西安交通大学团队的论文提出 Raw-RAG：不对对话历史做任何加工，直接用稠密检索加重排找出原始消息交给阅读模型。在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 上，它在 7 个基准×模型设置中有 6 个排名第一，比最强的对比记忆系统高 0.13–5.53 分。
- 作者分析认为，必要证据的覆盖率高可以抵消利用率低；有用的证据不只是答案本身，还包括推出答案所需的关系和依赖路径
- 即使让阅读模型完整访问加工后的记忆库，准确率仍不如直接用原始证据
- 主实验用 text-embedding-3-small 和 Cohere Rerank-v3.5，附录给出 Qwen3-Embedding-4B 加 Qwen3-Reranker-4B 的开源替代；作者尚未测试更小的阅读模型
- 代码已在 GitHub 公开
**为什么值得关注**：给 Agent 加长期记忆前，先拿「原文检索」做基线：它实现简单、不丢信息，复杂的记忆加工要先证明自己比它强。
来源：[Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought](https://huggingface.co/papers/2610.30755)；[Litmeb/RAW-RAG](https://github.com/Litmeb/RAW-RAG)