RAG 全面回归了。很多人以为，做 AI Agent 的长记忆，必须堆复杂的知识图谱、抽取式结构化记忆或者分层摘要系统。但最新的一篇研究论文 RAW-RAG 直接给行业上了一课：最朴素的原始对话检索 + 重排，直接吊打各种花哨的 Agent 记忆架构。
做法简单到只有三步：直接保留最原始的对话上下文，不预先做有损压缩；需要记忆时，直接从历史对话里检索相关片段；再结合重排（Rerank），提取高置信度证据喂给大模型。在 4 项基准测试、7 个对比设置里，RAW-RAG 拿了 6 项第一。
为什么越简单反而越强？真实对话里的信息是强关联的——什么变了、什么时候变的、影响了之前的哪个结论。很多复杂的记忆系统在把对话转成孤立的事实条目或摘要时，不经意间切断了因果链和时序关系。每一个摘要层，本质上都是一次信息丢失，而且一旦摘要丢了细节，后续根本没法逆向还原。保留原始记录、做好检索，把时序和上下文关系完整交给大模型，准确率反而能大幅拉开差距。
做生产级 Agent，在基础设施被真正逼入死角前，保持管道简单克制才是王道。
论文地址：https://arxiv.org/abs/2610.30755
正文完