一句话看懂：Hugging Face Papers 收录的一篇论文摘要提出，仅用原始对话历史做稠密检索加重排的朴素 RAG（Raw-RAG），在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 四项记忆评测的 7 个“基准-模型”设置中 6 个排名第一，超过对比中最强的复杂 Agentic Memory 系统 0.13–5.53 个百分点。它提示：复杂记忆机制未必总是必要。
事件核心：发生了什么
论文摘要显示，作者研究的是一个名为 Raw-RAG 的基线方案：不经记忆变异、结构化组织或学习式检索策略，而是直接对原始对话历史做稠密检索与重排，再把证据交给阅读型大模型作答。与它对照的是采用变异、结构化管理、学习式检索等复杂操作的 Agentic Memory 系统。
在上述四项基准、7 个“基准-模型”组合中，Raw-RAG 有 6 个排名第一，领先最强对比系统 0.13–5.53 个百分点。作者进一步分析认为，原始历史检索对必要证据的覆盖率更高，可以部分抵消其证据利用率偏低的问题；即使能完整访问经过变换的记忆存储，准确率仍与原始证据存在差距。需要说明，以上均来自论文摘要，全文实验细节尚未核实。
为什么重要
长期对话记忆是 AI 应用的热点方向，不少团队在检索之外叠加记忆写入、图结构、遗忘与合并策略，工程复杂度随之上升。这篇摘要给出的信号是：在摘要所列的对话类记忆任务上，增加结构未必带来收益，保留原始信息反而更关键。对做大模型应用和 Agent 的团队来说，这会重新抬高“朴素 RAG 作为必备基线”的位置，也提醒复杂记忆方案需要用同条件、同基准的对照来证明价值。
对用户/开发者/创作者的影响
开发者层面，做长期对话、个人助手或客服记忆功能时，可先搭建原始历史稠密检索加重排的基线，再评估是否引入复杂记忆模块，避免为未必有效的结构付出延迟和成本。产品与采购层面，评估记忆类 AI 应用时，可要求厂商给出与朴素 RAG 的对照结果，而非只看自身基准。创作者使用带记忆的 AI 工具时，也应关注其是否保留原始对话上下文，因为摘要指出保留原始证据对准确率有实际影响。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文全文发布后，实验设置、模型规模和统计口径能否支撑“Raw-RAG 占优”的结论；二是其他团队是否在不同任务（如多轮工具调用、超长文档）上复现这一对比；三是记忆类产品和开源框架是否会把 Raw-RAG 列为标准基线，并据此简化记忆架构。
