过去两年，智能体记忆几乎成了 AI 工程圈最热的方向。Mem0、MemMachine、Memora、EverMemOS——架构越画越复杂，功能越堆越多。

但一篇 10 月 22 日挂上 arXiv 的论文把这堆东西拉进考场跑了一圈，结论有点扎人：最朴素的 RAG 方案，几乎全赢了。

论文是《Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought》（arXiv:2610.30755），西安交通大学六位作者完成。对照组 Raw-RAG 极其朴素：不做抽取、不做结构化、不用 LLM 改写历史，只把原始对话切窗口、稠密检索加重排，把证据塞给一个 reader 模型。

赢了多少

四个基准——LoCoMo（1540 道题）、LongMemEval（500 例）、MEME（1188 道阶段题）、MemoryAgentBench（2071 题）——对照 12 个记忆系统（LoCoMo 与 LongMemEval 一侧 12 个，MEME 与 MemoryAgentBench 一侧 7 个）。七组「基准×模型」设定里，Raw-RAG 赢下 6 组，只在 MEME 配 DeepSeek-V4-Flash 那组输给 MemMachine。差距见官方对照表：LoCoMo 上 GPT-4o-mini 读手 89.07 对 MemMachine 的 88.12，MemoryAgentBench 上 53.41 对 Memora 的 47.88。摘要的说法是在 6/7 组设定里领先最强对照系统 0.13 到 5.53 分。LongMemEval 那组只赢 0.13 分，基本踩线。

更狠的是反证

只是「简单方法也能打平」，顶多算持平论文。真正有杀伤力的是后面三组实验。

第一组审计 Mem0 的写入决策。LoCoMo 的 33902 次写决策里，UPDATE 和 DELETE 只占 4.39%，LongMemEval 的 428858 次里占 2.46%，真正落地的有效变更只有 1.90% 和 1.34%。把 UPDATE 换成纯追加的 ADD、DELETE 换成 NONE，LoCoMo 准确率从 67.36% 升到 69.42%——显式改写记忆没带来任何收益。

第二组给 Raw-RAG 加工记忆，三种方式全部变差：抽原子事实掉到 28.70 分（比基线低 19.62），加摘要掉 5.81 分，图结构扩展掉 5.78 分。论文的解释是抽原子事实会把测试时学习从 47.68% 打到 15.37%，可用示例的格式结构被拆散了。

第三组是成本。同一段 10 集 110 问的 MEME 切片上，Raw-RAG 写入加检索合计 305.91 秒，Mem0 要 4142.95 秒，EverMemOS 要 9301.48 秒。论文的说法是比下一个快 5.1 倍、比 EverMemOS 快 30.4 倍。而加上那三种加工，代价是上亿个 LLM token 和数小时耗时，Raw-RAG 同样任务只要 12 分钟。

为什么

机制落在两个指标上：覆盖率（证据够不够回答）和利用率（证据够了之后答对没答对）。MemoryAgentBench 上覆盖率跨度 19.07% 到 45.29%，利用率跨度只有 80.00% 到 89.71%。真正拉开差距的不是「拿到证据后多会读」，而是「该给的证据有没有给到」。论文还引入「路径覆盖」解释长链条问题：MEME 追踪和级联题上，Raw-RAG 条件路径覆盖 62.34%，MemU 只有 9.62%。

最锋利的一刀是完整存储对比。给加工过的记忆库开全部权限，Raw-RAG 和 MemMachine 恢复到 57.54% 和 57.46%，原始证据本身是 61.60%。去掉打包上限后，七个系统全部仍比原始证据低 7.58 到 29.38 分，配对 95% 置信区间都不含零。结论很直白：写入阶段丢掉的信息，靠检索补不回来。

谁该紧张

这不是「记忆系统没用」。论文划了三条边界：证据只在离线对话和公开基准上成立；原始存储随历史线性增长，牵涉隐私；状态重建效果还取决于 reader 模型能力。附录里跑 PersonaMem-v2，Raw-RAG 拿 49.62%，七个系统里只排第三。但验收标准是实打实的：改进型记忆系统应当证明自己赢过一个配置良好的朴素 RAG 基线，并说清楚多出来的复杂度贡献了什么。人话就是——你的消融表里必须有一行，是打不赢朴素 RAG 的复杂度。

仓库 README 致谢 GoodMem 团队的独立复现：同样的 embedding 模型、reranker 和检索深度跑 LoCoMo，GPT-4o-mini 读手得 88.68、GPT-4.1-mini 得 93.48，论文报告 89.07 和 93.70，四个数都落在 95% 置信区间内。

所以呢

这篇论文的价值可能不在「朴素 RAG 赢了」，而在把一个长期没人愿意验证的前提摆上台面：智能体记忆的复杂度，到底是问题带来的，还是行业共识带来的。

它测的全是「给定一段已存在的历史，如何回答问题」。真实产品的记忆问题还有另一半——什么时候该记、记什么、什么时候该忘、数据主体要求删除时怎么办。这恰恰是结构化记忆系统在卖的东西。

更准确的读法不是「记忆系统没用」，而是：证明自己比「把原始对话扔进向量库加重排」更强之前，复杂的记忆架构很可能只是在为想象出来的需求买单。