PAPER DEEP DIVE
复杂的智能体记忆总是必要的吗?朴素 RAG 比我们想象的更强
在四个长期对话基准的七组设置中,直接对原始历史做稠密检索与重排的朴素 RAG 在六组排名第一,说明复杂智能体记忆并非总是必要。
一句话总结
论文把“原始历史 + 稠密检索 + 交叉编码重排 + 强 reader”作为诊断基线 Raw-RAG,在 LoCoMo、LongMemEval、MEME 与 MemoryAgentBench 的七组“基准—模型”设置中取得六组第一;实验进一步表明,智能体记忆的主要瓶颈往往不是 reader 不会维护状态,而是复杂写入、抽取和压缩流程没有把完整证据与依赖路径送到 reader 面前。
图 1 — 左侧比较七个“基准—reader”设置中的准确率,右侧记录向 BEAM-1M 顺序写入接近一百万 token 时的累计耗时。Raw-RAG 的竞争力并非来自更大的记忆管理模型,而是来自保留原始文本后仍能以较低成本完成可靠检索。
1. 问题不在“要不要记忆”,而在“记忆系统究竟补了什么”
长期对话系统通常不会把全部历史直接塞进一次上下文。信息一旦跨过模型的上下文窗口,系统就需要决定哪些内容被保留、以什么结构保存、查询时如何找回。围绕这一需求,近年出现了抽取式事实记忆、摘要记忆、图记忆、层次化存储、可训练检索以及写时合并等方案。它们共同把长期记忆塑造成一个复杂的“写入—组织—读取”系统,也默认原始历史经过这些加工后会比直接检索更可靠。
论文没有直接否定这类工程,而是先追问一个更基础的因果问题:如果给原始对话历史配置足够好的稠密召回、交叉编码重排和轮次扩展,复杂智能体记忆是否仍然能稳定带来额外收益?作者把 Raw-RAG 定义为诊断基线,刻意不做大模型抽取、摘要、图构建、删除或更新。系统只保留日期、说话人、正文与图片说明,把原始窗口放进平面索引,把状态重建留给 reader。
这一设定有两层含义。第一,它测试静态语料式 RAG 能否处理长期交互中的事实更替。第二,它把“记忆管理的收益”与“检索基线太弱导致的差距”分开。过去一些比较中,基线只返回很少片段,或者没有重排、没有完整轮次;此时智能体记忆领先,未必证明抽象结构本身有效。
论文首先审计 Mem0 在 LoCoMo 与 LongMemEval 上的写操作。LoCoMo 的 33,902 次写决策中,更新与删除合计只占 4.39%;LongMemEval 的 428,858 次决策中只占 2.46%。真正造成持久文本变化的有效变更新比例更低,分别只有 1.90% 与 1.34%。许多所谓更新是重复、格式错误或最终没有改变旧文本。
作者随后做了一项直接干预:把更新改为追加式新增,把删除改为不操作。LoCoMo 准确率从 67.36% 升到 69.42%,而且各问题类别都没有下降。这并不说明删除机制永远无用,而是在被测试的配置里,显式覆盖并没有帮助 reader 更好地回答;保留旧证据、让 reader 根据时间与上下文判断当前值,反而减少了信息被错误删除的风险。
另一项诊断在 MEME 上提供查询阶段可见的原始证据,并按时间顺序排列,因而不存在检索漏召回。即便仍需自行处理删除、级联与失效,强 reader 在级联问题上达到 82.32%,在失效判断上达到 91.54%。这组“证据足够但不经过复杂记忆写入”的上界实验,为后续基准比较提供了机制线索:能够读取原始证据的模型可以完成相当复杂的动态状态重建。
2. Raw-RAG 的数据表示与检索路径
设可得历史为 $H=(m_1,\ldots,m_T)$。每条消息保留日期、说话人、内容与可用图片说明;缺失日期显式标注为未知,而不是由系统猜测。历史被序列化后切成 256 token 的窗口,相邻窗口重叠 32 token。由于窗口长度为 256、重叠为 32,窗口起点每次向前移动的步长为:
$$W_{\mathrm{stride}}=W_{\mathrm{window}}-W_{\mathrm{overlap}}=256-32=224.$$
窗口与原始消息保持映射,因此检索命中某个 token 片段后,系统可以恢复覆盖该片段的完整对话轮次。这个映射非常关键:重叠窗口保证局部证据不会正好落在边界上被截断,轮次扩展则让 reader 看到问题、回答及相邻语境,而不是一条语义上残缺的句子。
论文不依赖稀疏词法匹配、摘要键或图节点作为最终证据。每个窗口的原始文本被编码为向量并放入当前对话的平面索引。对问题 $q$,稠密检索先用余弦相似度选出 128 个窗口:
$$D_q=\operatorname{Top}_{128}\{\cos(e(q),e(c)):c\in\operatorname{chunks}(H)\}.$$
这里的 $e(\cdot)$ 是文本嵌入编码器,$\operatorname{chunks}(H)$ 是全部候选窗口。候选数 128 的作用不是直接塞给 reader,而是先扩大召回面。若仅取少量最近邻,跨轮依赖、低词汇重合但语义相关的事件,或者需要由多个片段连接才能得出的信息,很可能在重排前就被丢弃。
随后使用交叉编码器同时读取问题与候选窗口,对两者的相关性做联合评分,并保留前 15 项:
$$S_q=\operatorname{Top}_{15}\{r(q,c):c\in D_q\}.$$
$r(q,c)$ 是问题—证据对的交叉编码相关性得分。与双塔嵌入不同,交叉编码器可以在内部对齐问题中的实体、时间和约束与候选文本中的细节,因此能够在语义相近但答案不对题的候选之间做更细的区分。论文的消融显示,去掉这一层会使 MemoryAgentBench 总成绩下降 3.92 分。
检索和展示是两个不同阶段。Raw-RAG 先根据相关性选出 15 个窗口,再把这些窗口扩展成完整轮次,并添加时间、说话人和分隔符。MEME 在选中证据后按源文本时间顺序重新排列,以保留事件演进;MemoryAgentBench 的常规对话源不做展示时轮次扩展,其中两类事实固结源把每条事实视为一条完整消息。这样的适配说明“原始存储”并不等于“完全不做格式处理”,而是不做不可逆的语义抽取。
flowchart LR
H["raw conversation history
timestamps + speakers + captions"] --> S["serialize source-preserving history"]
S --> C["256-token windows
32-token overlap"]
C --> E["flat dense index"]
Q["question"] --> QE["query embedding"]
QE --> D["dense Top-128
cosine candidates"]
E --> D
D --> R["cross-encoder rerank
Top-15 windows"]
R --> T["expand selected windows
to complete source turns"]
T --> P["assemble chronological
or relevance-ordered evidence"]
P --> L["reader resolves temporal order
deletion and dependency state"]
L --> A["answer"]
style H fill:#e0f2fe,stroke:#0284c7
style D fill:#fef3c7,stroke:#d97706
style R fill:#dcfce7,stroke:#16a34a
style L fill:#fce7f3,stroke:#db2777
图 3 — 三类系统的建库、存储与召回路径。EverMemOS 与 Memora 在写入阶段构造组织化表示,Raw-RAG 则保留原文并用稠密候选、交叉编码重排和轮次扩展完成证据组装。
3. 为什么“朴素”仍然有效:覆盖证据,而不只是优化读者
论文没有把 Raw-RAG 的成功简单归因于某个更强 reader。为了区分“证据是否送到”与“送到后是否会用”,作者把每个问题的结果拆成覆盖率和利用率。设 $C_{is}\in\{0,1\}$ 表示系统 $s$ 为问题 $i$ 提供的证据是否充分,$Y_{is}\in[0,1]$ 是回答得分,则:
$$\widehat C_s=\frac{1}{N}\sum_{i=1}^{N}C_{is},\qquad \widehat U_s=\frac{\sum_{i=1}^{N}C_{is}Y_{is}}{\sum_{i=1}^{N}C_{is}}.$$
覆盖率回答“上下文里有没有足以推导答案的材料”,利用率回答“在材料已经足够的问题上,reader 能否答对”。二者并非同一个质量维度。一个系统可以覆盖更多问题,却在已有证据时利用率略低;另一个系统只覆盖少量简单问题,因而条件利用率看起来很漂亮。只报告最终准确率,会掩盖这种由问题子集造成的差异。
在 MemoryAgentBench 上,七套系统的覆盖率跨度达到 26.22 个百分点,而利用率跨度只有 9.71 个百分点。Raw-RAG 的覆盖率为 45.29%,为七套系统最高;其条件利用率为 84.43%,并非最高。也就是说,它并非每一步推理都优于对手,而是更频繁地把正确答案所需的材料至少送进了上下文。
MEME 呈现同样的结构。Raw-RAG 覆盖率 76.35%,条件利用率 73.76%;MemMachine 覆盖率为 70.37%,利用率更高,为 82.66%。两套系统的最终总分接近,但路径不同。Raw-RAG 以更广的证据访问换取较低的条件利用优势被抵消;这为“复杂记忆究竟改善哪一环”提供了比总分更可操作的诊断。
| 系统 | MemoryAgentBench 覆盖率 | MemoryAgentBench 利用率 | MEME 覆盖率 | MEME 利用率 |
|---|---|---|---|---|
| MemU | 19.07% | 89.37% | 35.69% | 84.20% |
| MemMachine | 21.54% | 84.30% | 70.37% | 82.66% |
| EverMemOS | 25.11% | 80.00% | 47.64% | 76.86% |
| MemOS | 34.48% | 85.85% | 62.12% | 66.67% |
| EMem | 34.72% | 89.71% | 50.08% | 86.55% |
| Mem0 | 40.03% | 82.39% | 63.22% | 65.51% |
| Raw-RAG | 45.29% | 84.43% | 76.35% | 73.76% |
进一步分析表明,“证据”不只是答案值。对于跟踪与级联问题,上下文还必须包含时间顺序、依赖规则、上游触发器以及新旧状态之间的关系。论文统计了在结果值已被覆盖的问题中,完整可执行路径也被覆盖的比例:
$$P(\mathrm{path}\mid\mathrm{result}) =\frac{N(\mathrm{path}\land\mathrm{result})}{N(\mathrm{result})}.$$
Raw-RAG 的条件路径覆盖率为 62.34%,MemMachine 为 56.70%,MemU 只有 9.62%。这意味着,即使两套系统都找到了“某个答案值”,它们保留推导该值所需关系的概率仍可能显著不同。对物理智能体或长时任务智能体而言,这一点尤其重要:当前状态往往由事件序列、条件触发与依赖关系共同决定,单独抽取一个实体属性并不足以支持后续行动。
4. 完整存储实验:信息一旦在写入时丢掉,后续访问也未必能救回
覆盖率差异可能来自检索失败,也可能来自写入阶段已经把信息压缩掉。为区分二者,论文在 MEME 上比较三种条件:各系统原生的“检索—读取”;对系统持久化存储做金标引导的完整访问;以及使用相同金标信息选择原始支持会话的 raw-evidence 控制。三种条件都把证据打包到名义上的 5,000 token 预算内,并附带不泄露答案值的任务策略。
完整存储选择器只用于离线诊断,不参与正常回答。它把目标值、阶段值、历史值、答案和实体名归一化成词序列,再对每个存储对象 $m$ 计算短语命中与问题词重合的得分:
$$s(m)=\sum_{h\in H(m)}\left(4+\min(4,|h|/3)\right) +2\frac{|\operatorname{words}(m)\cap Q|}{\max(1,|Q|)}.$$
其中 $H(m)$ 是对象中包含的金标短语集合,$|h|$ 按词数计。这个分数不含常规检索相似度,目的是尽量克服原生召回的限制,直接检验“持久化表示里是否仍有足够信息”。即使采用这种有利访问,完整存储仍未追平原始证据控制。
Raw-RAG 与 MemMachine 的完整存储恢复成绩分别为 57.54% 与 57.46%,原始证据控制为 61.60%。移除打包上限后,七种存储仍比原始证据低 7.58 到 29.38 分。作者也明确提醒,残余差距不能全部归因于写入信息损失,因为证据排序、打包策略与“中间信息遗失”都会影响 reader。不过,保留原文的两种表示最接近 raw-evidence 上界,这支持了一个谨慎结论:可逆的源文本保存比不可逆的抽取更有恢复空间。
5. 主实验:七个设置中的六次领先
主实验覆盖四个基准。LoCoMo 含 10 段对话与 1,540 个非对抗问题;LongMemEval 含 500 个长期记忆样例;MEME 含 100 个 episode、1,188 个阶段相关问题,覆盖精确回忆、聚合、跟踪、删除、级联与失效;MemoryAgentBench 由 14 个数据源组成,共 2,071 个问题,并按准确检索、测试时学习、长程理解和冲突解决四类能力汇总。
比较对象包括 EverMemOS、MemOS、EMem、SimpleMem、MemU、MemMachine、Mem0、Memora、Nemori、MemoryOS、A-MEM、RecMem 以及 Full-context。Raw-RAG 在 LoCoMo 和 LongMemEval 上尽量采用与对应系统一致的 reader、嵌入、评测与打分程序,以减少“换了更强模型”造成的混淆。主结果排除了不做检索的 Full-context,因为后者在长历史上受上下文窗口限制,且不是记忆系统实现。
| 基准 | Reader | Raw-RAG | 最强对比记忆系统 | 差值 |
|---|---|---|---|---|
| LoCoMo | GPT-4o-mini | 89.07 | MemMachine 88.12 | +0.95 |
| LoCoMo | GPT-4.1-mini | 93.70 | EverMemOS 93.05 | +0.65 |
| LongMemEval | GPT-4.1-mini | 87.53 | Memora 87.40 | +0.13 |
| MEME | GPT-4o-mini | 39.30 | MemMachine 37.06 | +2.24 |
| MEME | DeepSeek-V4-Flash | 43.19 | MemMachine 44.71 | -1.52 |
| MemoryAgentBench | GPT-4o-mini | 48.32 | Memora 43.84 | +4.48 |
| MemoryAgentBench | DeepSeek-V4-Flash | 53.41 | Memora 47.88 | +5.53 |
七组中六组第一,领先最强对比记忆系统 0.13 到 5.53 分。唯一失利发生在 DeepSeek-V4-Flash 驱动的 MEME 上,MemMachine 为 44.71%,Raw-RAG 为 43.19%,落后 1.52 分。这个例外很重要:它说明原始历史基线不是无条件占优,不同 reader 与任务阶段可能偏好不同程度的结构化状态。
LongMemEval 的三次判题准确率可按下列形式写出,其中 $Q_{\mathrm{ans}}$ 是可回答问题集合,$y_{ir}$ 是第 $i$ 题第 $r$ 次二元判题结果:
$$\mathrm{Acc}_{\mathrm{ans}} =\frac{100}{3|Q_{\mathrm{ans}}|} \sum_{i\in Q_{\mathrm{ans}}}\sum_{r=1}^{3}y_{ir}, \qquad |Q_{\mathrm{ans}}|=470.$$
MemoryAgentBench 的总分不是四类任务直接平均,而是先形成四类能力宏平均,再对能力取算术平均。测试时学习先平均五个上下文学习数据源,再与 ReDial 合成:
$$\mathrm{TTL}=\frac12\left(\mathrm{ReDial} +\frac15\sum_{j=1}^{5}\mathrm{ICL}_j\right), \qquad \mathrm{Overall}=\frac{\mathrm{AR}+\mathrm{TTL}+\mathrm{LRU}+\mathrm{CR}}{4}.$$
这些聚合方式说明,高总分并非由某一个超大数据源垄断。Raw-RAG 的优势横跨单跳回忆、多跳组合、时间推理、动态状态与冲突处理,尽管各类别之间仍存在明显差异。例如它在 MEME 的精确回忆和跟踪上表现强,在级联上的总体绝对分则只有个位数,说明仅靠原始上下文并不能自动解决所有复杂依赖。
6. 消融:真正有用的是重排、适度深度与原始结构
论文在 MemoryAgentBench 上进行配对消融。默认配置为 256 token 窗口、32 token 重叠、128 个稠密候选与 15 个重排结果。去掉重排后总分从 48.32 降到 44.40,下降 3.92 分,且配对 95% 区间不跨零。只返回一个候选则下降 11.73 分,说明重排与适度的候选深度是 Raw-RAG 发挥作用的必要条件。
检索深度并非越大越好。最终保留 5、10、30、60 个片段时,总分与默认 15 相差不超过 1.3 分;增加到 120 个时反而下降 14.57 分,主要损伤长程理解与冲突解决。分块大小在 128 到 1,024 token 间变化时,总分没有显著变化。这个结果支持“适度候选 + 重排”的稳健性,也提示把大量低相关内容塞进上下文会产生位置和干扰成本。
三种额外的记忆管理都没有改善该设置下的总分。原子事实抽取把总分降到 28.70,其中测试时学习从 47.68 跌到 15.37;原始摘要增强为 42.51,图扩展为 42.54。原子事实可能破坏示例的输入—标签配对、边界和呈现格式;摘要与图扩展则可能改变候选项分布,使重排与固定 reader 预算不再匹配。
| MemoryAgentBench 设置 | AR | TTL | LRU | CR | 总分 | 相对默认 |
|---|---|---|---|---|---|---|
| Raw-RAG 默认 | 67.85 | 47.68 | 31.74 | 46.00 | 48.32 | — |
| 去掉重排 | 59.13 | 44.29 | 29.66 | 44.50 | 44.40 | -3.92 |
| 128 token / 16 overlap | 70.50 | 46.89 | 28.93 | 46.00 | 48.08 | -0.24 |
| 512 token / 64 overlap | 65.68 | 49.27 | 32.49 | 46.00 | 48.36 | +0.04 |
| 原子事实 | 57.25 | 15.37 | 21.17 | 21.00 | 28.70 | -19.62 |
| 原始摘要增强 | 67.53 | 45.89 | 29.62 | 27.00 | 42.51 | -5.81 |
| 图扩展原始窗口 | 65.42 | 46.49 | 31.74 | 26.50 | 42.54 | -5.78 |
这组消融并不等价于证明所有图记忆、摘要或事实抽取都无效。论文给出的是特定任务、特定 reader、特定预算下的受控结果;更丰富的结构可能帮助更弱 reader、需要工具调用的状态查询或跨会话因果追踪。但它建立了一个必要门槛:任何新增复杂度的系统都应先与规格明确的 Raw-RAG 比较,并说明收益来自覆盖、利用率、延迟还是可操作性。
7. 效率:把成本从写入阶段移到查询阶段是否值得
Raw-RAG 的建库成本较低,因为它只需序列化、切窗、嵌入和写入平面索引。在 10 个 MEME episode、110 个问题的统一计时切片上,Raw-RAG 的 Add-to-ready 为 50.32 秒,Search 为 255.59 秒,总计 305.91 秒。该计时排除答案生成与评测,比较的是各系统原生的写入、组织和检索流程。
同一设置下,下一快系统的总耗时为 1,561.97 秒,Raw-RAG 约快 5.1 倍;EverMemOS 为 9,301.48 秒,Raw-RAG 约快 30.4 倍。BEAM-1M 的单百万 token 顺序写入实验中,Raw-RAG 累计 Add 时间约 0.33 小时,MemOS 约 3.25 小时,Memora 约 26.95 小时。Raw-RAG 的代价转移到查询时:每次都要编码问题、召回候选、重排和让 reader 自行解释状态。
因此,Raw-RAG 并不意味着在线端到端的全部成本一定更低。论文测量了建库与检索,但未把每次查询的 reader token 成本、延迟和存储增长完全折成统一价格。对于高频查询、低延迟工具调用或需要显式审计当前状态的物理智能体,预先维护结构化状态仍可能是合理选择。真正可迁移的设计原则是:若保留原文,就必须同时控制查询成本、存储隐私和删除语义;若做抽象,则必须先验证抽象没有破坏关键依赖路径。
8. 公开实现与论文组件的对应关系
论文正文没有给出代码链接,但按标题、摘要与评测代码检索可找到与论文方法对应的公开实现仓库 Litmeb/RAW-RAG,采用 MIT 许可。这里不应把它称作“论文声明的唯一官方实现”;更准确的表述是“与论文标题、摘要及实验配置对应的公开复现实现”。仓库当前提交为 95639191e9547219b426710e50fe1a36235e26fc。
在 methods/EverCore/evaluation/config/systems/rag.yaml 中,可以读到 256 token 窗口与 32 token 重叠的默认配置,以及 dense top-128、rerank top-15 的检索设置。rag_adapter.py 的 _create_token_chunks 实现固定 token 窗口;_get_local_embedding_candidates 用余弦相似度取得候选;_rerank_candidates 通过 cross-encoder 服务重新排序。
reader 端同样有明确对应。config/prompts.yaml 的 answer_prompt_cot 把原始证据与问题一起交给模型,要求提取相关记忆、连接跨记忆实体、进行时间换算并检查冲突。这一实现进一步说明论文所谓“朴素”并不等于没有推理提示,而是不让记忆写入阶段替 reader 做不可逆的事实抽取。
复现实验需要配置大模型、向量化与重排服务,并准备 LoCoMo、LongMemEval、MEME 与 MemoryAgentBench 数据。仓库还记录了 GoodMem 团队的独立复现:在论文表 10 对应的 LoCoMo 设置下,GPT-4o-mini reader 得到 88.68,GPT-4.1-mini reader 得到 93.48,与论文的 89.07 和 93.70 接近。这个外部结果降低了“单一实现偶然成功”的解释力,但仍不能替代跨 reader、跨数据集的独立重复实验。
图 2 — Mem0 的写动作分布,以及 LoCoMo、LongMemEval 中每条对话的建议更新率和有效更新率。虚线表示按决策加权的均值,有效变更只占全部写决策的很小一部分。
9. 局限与作者未回避的边界
首先,作者明确说明证据只来自公开基准上的离线对话,不能直接推出交互式、多模态或更广泛运营场景中的表现。真实长期智能体还会面对流式写入、工具调用、多用户权限、传感器日志与跨设备历史;这些任务的证据可见性、时间同步和失败代价与对话问答不同。
其次,保存原始历史会带来存储与隐私压力。论文指出,未来系统必须把显式隐私约束、删除请求和审计规则纳入设计。一个“记得更多所以更准”的系统若无法可靠遗忘,就不能直接部署到个人助手或机器人场景。Raw-RAG 的追加式优势也可能与“被遗忘权”和敏感信息最小化发生冲突,因此需要可验证的删除机制,而不是仅依赖 reader 不看旧上下文。
第三,状态重建依赖 reader 能力。论文观察到不同模型在阶段可见证据上的表现差异很大,也承认弱 reader 是否能从写入阶段的显式状态维护中获益尚未验证。原始上下文把更多推理负担推给查询时模型:强模型能连接时间线,弱模型可能在冲突、级联与删除条件下迷失。
第四,原始存储随历史增长,固定的 128 候选和 15 个最终片段可能漏掉分散、低相似度或需要多跳桥接的证据。轮次扩展与重叠窗口也可能在上下文中重复同一段对话,挤占有用预算。论文的 5,000 token 控制显示 Raw-RAG 在记忆系统对比中仍具竞争力,但这不保证更长的交互历史、更复杂的工具状态和更低延迟要求下仍保持相同曲线。
第五,覆盖率和利用率来自不同系统各自的问题集合与证据标签,作者明确指出这限制了完全受控的跨系统 reader 比较。利用率是在“该系统自己判为充分”的问题上计算的条件量,不同系统的分母不同。因此,这些指标适合解释失败环节,不应被当成绝对因果效应。
第六,本文的任务核心是回答问题,而不是执行动作。对机器人或具身智能体来说,仅从历史中检索叙述性证据还不足以证明系统能安全地执行物理操作。实际 harness 还需要把记忆与传感器事实、动作结果、权限、时效和安全约束连接起来,并区分“文本上正确”与“物理世界中可执行”。
最后,完整存储实验并非对写入信息损失的纯粹测量。金标引导的选择、打包顺序、任务策略与 reader 的位置偏好都会改变结果。论文对此给出保守解释:保留原始证据更有恢复空间,但不能把与 raw-evidence 的剩余差距全部归因于摘要或抽取。
10. 总结:复杂记忆需要一个更强的反事实基线
Raw-RAG 的价值不只是“简单系统也能得高分”,而是提供了一条可拆解的诊断链。它先验证原始证据能否支持状态重建,再用覆盖率与利用率区分“没找到”和“不会用”,最后通过完整存储与原始证据控制检查写入阶段是否丢失信息。这样的实验设计比对单个总分更有复用价值。
对智能体 harness 而言,最直接的启示是把长期记忆视为证据获取与读者推理的接口,而不是默认把写入复杂度等同于能力。新的记忆系统至少应报告相对强 RAG 的增益、覆盖变化、依赖路径保留率、写入与查询成本、删除语义以及弱 reader 下的表现。只有当复杂结构在这些维度上带来可解释收益时,复杂度才真正有工程依据。
论文留下的开放问题同样清晰:何时需要显式状态,何种结构能减少重复推理,如何在长历史下控制候选漏召回,如何让记忆支持可验证删除,以及如何把离线对话结论扩展到多模态与具身交互。Raw-RAG 没有终结这些研究,但它把比较门槛抬高了一层。
金句
复杂记忆系统真正需要证明的,不是它能写出更漂亮的状态树,而是它比一条保留原文、召回充分、重排准确并让读者推理的基线多保住了哪一段证据。



