过去两年，「Agent 记忆」是 AI 工程里最拥挤的赛道之一。Mem0、MemOS、MemMachine、Memora、A-MEM、Zep、EverMemOS……每一家的架构图都比上一家更精致：从对话历史里抽取事实、合并同类项、维护图谱、学一个写入策略。默认前提只有一个——原始历史太脏太乱，必须重写成「记忆」才好用。

上周 arXiv 上连着落了几篇论文，把这个前提掀开看了看。结论不太舒服：最朴素的做法赢了，而真正坏掉的是没人测的那部分。

一、什么都不做，反而第一

西安交大的论文标题就是一个问句：《Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought》（arXiv 2610.30755，62 页）。

他们的基线叫 Raw-RAG，做法简单到近乎敷衍：把原始对话按时间戳序列化，切块，做稠密检索加 rerank，把命中的原文直接喂给读者模型。不抽事实、不建结构、不让 LLM 重写历史。

在 LoCoMo、LongMemEval、MEME、MemoryAgentBench 四个基准、七组「基准×读者模型」设置里，Raw-RAG 拿下六组第一，领先最强的 agentic memory 系统 0.13 到 5.53 分。具体到分档：LoCoMo 上用 GPT-4o-mini 读者拿 89.07，对面 MemMachine 是 88.12；换 GPT-4.1-mini 读者是 93.70 对 EverMemOS 的 93.05；LongMemEval 87.53 对 Memora 的 87.40；MemoryAgentBench 差距最大，48.32 对 43.84、53.41 对 47.88。唯一输的一格是 MEME 配 DeepSeek-V4-Flash 读者，输给 MemMachine。

注意 LongMemEval 那 0.13 分——这基本是噪声。论文自己也没把它吹成大胜。如果故事只到这里，那不过是又一篇「简单方法也不差」的平局论文。

真正扎人的是后面三组反证实验。

二、三张账单：写入、机制、时间

第一张账单：写入动作几乎都在空转。 作者去审计了 Mem0 的写决策日志。在 LoCoMo 的 33,902 次写决策里，UPDATE 加 DELETE 只占 4.39%；LongMemEval 的 428,858 次里只占 2.46%。而真正改变了文本内容、或者真的删掉了东西的「有效变更」，只有 1.90% 和 1.34%。

于是他们做了个很直接的替换：把 UPDATE 换成只追加的 ADD，把 DELETE 换成 NONE。LoCoMo 的准确率不降反升，从 67.36% 涨到 69.42%。也就是说，在这套基准上，显式的记忆重写一分精度都没买到。

第二张账单：给 Raw-RAG 加机制，全都掉分。 他们在同一个 MemoryAgentBench 设置下给基线加料：加原子事实抽取，48.32 掉到 28.70（少了 19.62 分）；加摘要增强，掉 5.81；加图扩展，掉 5.78。论文对第一个的解释很关键——原子事实抽取把 test-time learning 从 47.68% 打到了 15.37%，因为可用的示范被拆成了互不相干的碎片。

第三张账单：摄取时间差两个数量级。 在同一份 MEME 切片（10 个 episode、110 个问题）上，Raw-RAG 把摄取和检索一起做完是 305.91 秒；而在 BEAM-1M 上，Raw-RAG 的摄取是 0.3 小时，对比记忆系统要 3.2 到 27 小时。

三、为什么原文更强：它保留的是推导路径

论文的证据分析给出了一个我认为最有价值的解释：原始历史覆盖到的「必要证据」更多。而这里的证据不只是那个答案值，还包括推导出答案所需的关系和依赖路径。

举个具体的场景：问「我们上次决定换供应商是什么时候、当时谁反对」。记忆系统存下来的可能是一句「2025 年 3 月换了供应商」。原文里则有前后几轮讨论、谁提了异议、异议后来怎么被处理——答案值相同，但「谁反对」的路径只在原文里。

所以论文写下了那句最狠的话：即使给模型完整访问转换后的记忆库，准确率仍低于直接给原始证据。这个差距不是检索没做好，是写入时就丢了。

换个说法：任何在写入时重写历史的系统，都必须在还不知道未来会问什么的时候，猜一遍未来需要什么。猜错的那些，永久消失。而原始日志从不猜。

四、同一天的三篇：把「简单赢」推成「溯源才是刚需」

如果只有 Raw-RAG，容易得出一个粗鲁的结论——「别搞记忆系统」。但同日上线的另外三篇，把问题指向了一个更准确的位置。

AfterDeleteBench（arXiv 2610.31366）。 它问的是：删掉一条记忆记录之后，那条信息真的没了吗？在 Qwen2.5-7B-Instruct 的主设置里，一条查询就从「已删除」的 Agent 那里恢复了机密，成功率约三分之二；而从未见过这个机密的对照 Agent 是零恢复。更麻烦的是——恢复不需要留下逐字副本，只要分别存储的碎片还在（按公开的组合规则），跨 Qwen、Mistral、Phi-3 的精确重建率是 62% 到 99%。

他们在论文里还提了一句常被忽略的话：响应接口本身也是测量系统的一部分——格式和解析器不对齐时，明明带答案的回复会被记成失败。这提醒所有做评测的人，你测到的「没泄漏」可能只是没问对。

唯一把恢复率压到零的做法叫 provenance-aware closure：删记录的同时，连带删掉所有由它派生出来的东西（摘要、嵌入、笔记）。而只做精确字面过滤，只能挡住「重新写回去」，擦不掉已经在里面的。

有效性位的论文（arXiv 2610.30698）。 它更阴：内容一个字节都不改，只翻「这条记忆还有效吗」的那个标记。在六个 provider、2,080 对匹配故障上，操作上下文被改变的比例是 96.25%；反映到下游，LongMemEval 的二元正确率掉 40.54 分（95% CI 30.32–50.71），Memora 掉 30.60。用 oracle 强制执行有效性，把损失 100% 收了回来。作者自己也说明了：这是 300 组匹配三元组的面板实验，不是线上部署的失败率——但机制成立，一个没人检查的有效性标记，杀伤力比一个弱的检索器更大。

MemPABench（arXiv 2610.30485）。 它测的是另一件事：Agent 知不知道这个人希望被怎么帮。四个用户、14 条交互偏好、99 个会话、跨四个月，每个用户中途改五条偏好。结果是：Mem0、MemOS 和简单 RAG 相对「完全没有记忆」没有提升；只有文件式记忆提升了准确率，但它会把偏好用到不该用的场景；而且即使正确的偏好就摆在上下文里，Agent 也很难盖掉自己的默认习惯。

这篇其实给 Raw-RAG 划了边界——原文检索能赢，是因为任务问的是「事实与关系」；一旦问题变成「这个人怎么被对待」，检索本身不解决问题，那部分能力在模型里。

顺带还有一篇预注册的具身研究（arXiv 2610.30478）：把记忆蒸馏进权重只有不显著的 1 分提升，而挂一个冻结的检索缓冲是 34 分。

五、三张账单并起来看

把这五篇放在一张桌子上，会看到同一个判断在三个方向重复出现：

• 精度：重写历史买不到分，原始证据加一个好检索框就够了；
• 合规：删一条记录不等于删一条信息，派生状态会把它带出去；
• 成本：摄取阶段的时间差是一到两个数量级，而这个成本会随语料线性放大。

前两个是「别做多余的」，第三个是「做了还要付利息」。而三者的共同解，都不是更强的压缩算法，而是更清楚的溯源：这条信息从哪来、还准不准、如果源被删了要连带删什么。

记忆创业公司过去两年卖的正是被基准反复投票否掉的那部分——聪明的合并与摘要。而真正没人做、也没人测的，是血缘。

六、如果要落地，我的清单

1. 先跑 raw-history 基线。 任何记忆方案上线前，先做「时间戳序列化 + 稠密检索 + rerank」，作为对照组。跑不过这个基线，其余复杂性都是负债。
2. 原始日志不要删。 它是唯一不猜的数据源，也是你唯一能验证派生层有没有丢东西的参照。
3. 派生记录必须带 provenance 边。 摘要指向原文、嵌入指向块、笔记指向会话。没有这条边，删除请求就只能停在存储层。
4. 删除按行为测，不按存储测。 删完之后真去问一遍——用「从未见过」的对照 Agent 作基线，这才叫审计。
5. 有效性要有强制执行点。 标记写得再漂亮，没有地方检查就等于没有。用规则或 oracle 在拼上下文的最后一步卡一道。
6. 偏好类需求别指望检索。 用户想被怎么对待，属于模型与流程问题，得靠显式的偏好记录加评测，不是让检索器多召几段。

Raw-RAG 的作者自己在论文里写得很克制：结论限于他们测的对话任务，naive RAG 只是「一个必要基线」。这话没错，但基线之所以叫基线，就是因为它不比它低的方案不值得付钱。

参考来源

• arXiv 2610.30755：Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought（西安交大，2026-10-22）https://arxiv.org/abs/2610.30755 ，代码 https://github.com/Litmeb/RAW-RAG
• arXiv 2610.31366：AfterDeleteBench: Auditing Post-Deletion Information Persistence in LLM Agents https://arxiv.org/abs/2610.31366
• arXiv 2610.30698：记忆有效性状态篡改与上下文强制（经 MindPattern 2026-10-23 日报整理）https://mindpattern.ai/blog/2026-10-23
• arXiv 2610.30485：MemPABench（偏好适配基准，同上来源）https://mindpattern.ai/blog/2026-10-23
• arXiv 2610.30478：具身记忆蒸馏与冻结检索缓冲对照研究（同上来源）
• AILog：Naive RAG Wins 6 of 7 Settings Against 12 Memory Systems https://www.aimodeling.com/en/news/slug/naive-rag-beats-complex-agentic-memory
• Clauday：Four memory papers in one day: plain retrieval wins, and delete doesn't delete https://clauday.com/article/9c0a47bb-ab35-4a8c-a83a-f713e251fa56