arXiv 论文：朴素 RAG 在智能体记忆基准上反超复杂方案
原文标题：Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
一篇 arXiv 论文提出 Raw-RAG 基线，仅用稠密检索与重排从原始对话历史中取证据，在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 四个基准的 7 个模型设置中有 6 个排名第一，比最强智能体记忆系统高 0.13-5.53 分。分析显示原始历史检索对必要证据的覆盖率更高，可抵消利用率上的劣势。研究质疑复杂智能体记忆在对话任务中的必要性，并主张将朴素 RAG 作为必备基线。
- 问题
- 复杂智能体记忆系统是否必要，朴素 RAG 能否胜任长期对话理解。
- 方法
- Raw-RAG 仅对原始对话历史做稠密检索加重排，把证据直接交给阅读模型，不做记忆变异或结构化组织。
- 结果
- 在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 的 7 个基准-模型设置中 6 个排第一，领先最强智能体记忆系统 0.13-5.53 分。
- 影响
- 做记忆/长期对话系统前应先跑朴素 RAG 基线，很多复杂记忆模块可能不带来收益。
深读 · 结论先行AI 生成展开看要点与影响 ↓
朴素RAG在四个记忆基准的7个模型设置中6个排第一，高出最强智能体记忆系统0.13–5.53分。
- •Raw-RAG仅用稠密检索加重排，从原始对话历史取证据，在LoCoMo、LongMemEval、MEME、MemoryAgentBench上测试。
- •7个基准-模型设置中6个排名第一，比最强对比智能体记忆系统高0.13–5.53分。
- •分析称原始历史检索对必要证据覆盖率更高，可抵消利用率上的劣势。
- •即使完整访问变换后的记忆存储，准确率仍低于原始证据，说明保留原始信息重要。
为什么重要：质疑对话任务中复杂智能体记忆的必要性，提示研究者和产品团队把朴素RAG作为必备基线再谈复杂方案。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。