一句话结论
这篇论文要回答的是：长期对话理解里，复杂智能体记忆系统是否真的必要。作者把“原始历史 + 稠密检索 + 重排 + 阅读器大模型”的朴素方案 Raw-RAG 拉到四个基准上对比，发现它在七个基准-模型设置中的六个排名第一，说明至少在被评测的对话任务里，复杂记忆操作不是默认答案。
方法要点
Raw-RAG 的核心很克制：不改写历史，不建结构化记忆库，不做学习式检索策略，而是直接对原始对话历史分块，用稠密检索召回候选证据，再用重排挑出更相关的片段，交给阅读器大模型作答。它保留的是原始文本，而不是经过摘要、抽取或结构转换后的“记忆”。
伪代码可以写成：
def raw_rag(history, query, reader, top_k):
chunks = split_raw_history(history)
candidates = dense_retrieve(query, chunks)
evidence = rerank(query, candidates)[:top_k]
return reader.answer(query, evidence)
关键设计在于“证据供给”而不是“记忆加工”。作者分析认为，原始历史检索的覆盖率更高，能覆盖回答所需的值，也能覆盖推导答案所需的关系和依赖路径；这种高覆盖可以抵消阅读器利用率偏低的问题。反过来，即使能完整访问转换后的记忆库，准确率仍与原始证据存在差距，说明保留原始信息本身有价值。这个结论来自 原文摘要页，全文见 ar5iv 全文页。
关键数字
原文给出的汇总结果如下。信息源未按数据集拆分每项提升值，因此表格保留可核对的汇总口径：
| 数据集 | 指标 | 对比基线 | 提升幅度 |
|---|---|---|---|
| LoCoMo、LongMemEval、MEME、MemoryAgentBench 汇总 | 在七个基准-模型设置中六个排名第一 | 最强对比智能体记忆系统 | 0.13–5.53 分 |
论文还标注为 62 页、5 幅图，含附录。对开发者来说，最重要的数字不是某个单点跑分，而是“六个基准-模型设置第一”这个覆盖面：它说明 Raw-RAG 不是只在一个数据集上偶然取胜，而是在多组评测里保持了竞争力。
局限与前提
第一，结论限定在被评测的长期对话任务。作者明确说，这些发现挑战的是“被评测对话任务中复杂智能体记忆的必要性”，并没有证明所有智能体任务都不需要复杂记忆。涉及跨会话主动规划、工具调用、外部环境交互的任务，不能直接套用这个结论。
第二，Raw-RAG 依赖检索质量。原始历史越长，候选片段越多，稠密检索和重排的压力越大；如果检索没有召回关键证据，阅读器再强也无法补回。论文强调的是“覆盖率可抵消利用率”，不是“检索永远够用”。
第三，转换后的记忆库会丢信息。作者观察到，即使能完整访问转换后的记忆库，准确率仍低于原始证据，这说明摘要、结构化或变异式记忆可能丢掉推导答案所需的关系链。对需要精确保留上下文关系的场景，这是一个明确前提。
第四，信息源没有给出失败案例的细粒度清单，也没有按数据集列出全部提升值。因此不能把“0.13–5.53 分”理解成每个数据集都稳定提升，它只是一个汇总区间。
能不能用
能用，但更适合作为基线，而不是当成所有记忆系统的替代品。如果你在做长期对话理解，建议先实现 Raw-RAG：保留原始历史，做分块、稠密检索、重排，再交给阅读器模型。它能帮你判断复杂记忆系统是否真的带来增益，避免一上来就引入结构化和变异操作。
是否开源代码与权重：信息源未给出代码仓库或权重链接，无法确认开源情况。本地复现至少需要准备阅读器大模型、稠密检索器、重排器，以及 LoCoMo、LongMemEval、MEME、MemoryAgentBench 四个基准的数据与评测脚本。复现时重点记录检索召回率、重排后证据覆盖率和最终答题准确率，才能判断瓶颈在“没召回”还是“没用好”。