北京
长对话一超出上下文窗口，业界的第一反应往往是上"记忆系统"：抽取、摘要、UPDATE/DELETE、图结构、社区划分、可学习检索，一层层往上叠。但一组评测结果给出了相反的答案——只对原始对话历史做稠密检索加重排的朴素方案，在多数场景里排名更靠前。
这套方案叫 RAW-RAG。在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 四个长对话记忆基准上，它在 7 组「基准×模型」组合里有 6 组排名第一，比最强的 agentic memory 对比系统高出 0.13–5.53 分。作者给出的判断是：瓶颈主要在"证据是否齐全"，而不在抽取、变异与图结构有多复杂。
两个预实验先动摇了前提
第一个是对 Mem0 写操作的审计。在 LoCoMo 上，UPDATE 加 DELETE 只占写决策的 4.39%，其中有效变更约 1.90%；LongMemEval 上是 2.46% 和 1.34%。把 UPDATE/DELETE 关掉、只保留 ADD/NONE，LoCoMo 准确率反而从 67.36% 升到 69.42%。
第二个是 MEME 上的相位可见 oracle：把该阶段的原始证据按时间顺序直接交给 reader，不引入检索误差，强模型（如 DeepSeek-V4-Flash）在 cascade 和 invalidation 两类任务上能到约 82% / 92%。也就是说，只要原文给得够，reader 往往能自己推出现态。
RAW-RAG 本身并不复杂
- 不做 LLM 抽取、摘要、构图、变异；
- 对话序列化（带时间戳、图片说明），按 256 token 窗、32 overlap 切分，建扁平向量索引；
- 查询时余弦取 top-128，cross-encoder 重排取 top-15，交给 reader 做时序与状态推理。
主结果方面（相对对比系统，不含 Full-context）：LoCoMo 上 GPT-4o-mini / 4.1-mini 分别为 89.07 / 93.70，领先约 0.65–0.95；LongMemEval 上 4.1-mini 为 87.53，领先约 0.13（对比 Memora 的 87.40）；MEME 上 4o-mini 为 39.30，领先约 2.24；MemoryAgentBench 上 4o-mini / DS-V4-Flash 为 48.32 / 53.41，领先约 4.5–5.5。
唯一落后的一组是 MEME 配 DeepSeek-V4-Flash：MemMachine 44.71，RAW-RAG 43.19。
消融也指向同一方向：去掉重排掉 3.92 分，只回 1 条证据掉 11.73 分；而加上原子事实抽取、摘要增强、图扩展，都没能超过默认 RAW-RAG 的 48.32。摄入成本同样低，在 BEAM-1M 上远快于 MemOS、Mem0 等系统，差距可达数十倍。
为什么够用
作者总结了三点。一是覆盖率大于利用率：系统之间"证据够不够"的差距，远大于"有证据之后答对率"的差距，RAW-RAG 覆盖率最高，可以抵消略低的条件利用率。二是路径完整性：有用的证据不只是答案值，还包括时序与依赖路径，RAW-RAG 的 P(path|result) 最高约 62.34%。三是摄入时保真：即便给一个"完整变换后记忆库"的 oracle，仍难追上原始证据，丢掉或扭曲的原文，事后检索补不回来。
局限也写得很清楚：只覆盖离线公开对话基准，未涉及交互、多模态和真实运维；原文存储带来的隐私与删除约束是现实代价；在弱 reader 或需要减少重复推理的场景下，显式状态维护是否更有用，仍待验证。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
