Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought
Pubblicata su AIChronos il · fonte del · Zhengye Bao, Shengtao Zhang, Haokai Zhang, Shiqi Lou, Muning Wen, Minnan Luo (Xi'an Jiaotong University)
Lo studio analizza l'efficacia di Raw-RAG, un approccio naive basato su retrieval denso e reranking sulla storia grezza delle conversazioni, confrontandolo con sistemi agentic memory complessi. I risultati mostrano che Raw-RAG supera i benchmark esistenti in sei dei sette scenari testati, dimostrando una copertura dell'evidenza necessaria superiore rispetto ai metodi strutturati. L'analisi evidenzia come la preservazione diretta delle informazioni grezze compensi l'utilizzo meno efficiente del contesto recuperato. Questi findings sfidano la necessità di architetture complesse per compiti conversazionali e stabiliscono il naive RAG come baseline essenziale.
- Raw-RAG utilizza retrieval denso su storia non trasformata, ottenendo performance superiori ai sistemi agentic memory in sei dei sette benchmark testati (LoCoMo, LongMemEval, MEME, MemoryAgentBench).
- L'analisi dell'evidenza rivela che la maggiore copertura delle informazioni necessarie compensa il minor tasso di utilizzo del contesto recuperato.
- Anche con accesso completo a store memory trasformati, persiste un gap di accuratezza rispetto all'utilizzo diretto di evidenze grezze, sottolineando l'importanza della preservazione dei dati originali.
- Il sistema outperforms i sistemi agentic più forti da 0.13 a 5.53 punti in diverse configurazioni modello-benchmark.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti, questo paper suggerisce di riconsiderare l'adozione di architetture memory complesse quando non strettamente necessarie, favorendo soluzioni più semplici come Raw-RAG per migliorare efficienza e ridurre overhead computazionale.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.