論文の概要: Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought

• arxiv url: http://arxiv.org/abs/2610.30755v1
• Date: Thu, 22 Oct 2026 05:23:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.223421
• Title: Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought
• Title（参考訳）: 複雑なエージェントメモリは常に必要か? ナイーブRAGは思ったより強い
• Abstract要約: 我々は,Raw-RAGというRAGベースラインを高密度検索を用いて検討し,生の履歴を再分類し,読み手LLMに証拠を提供する。 LoCoMo、LongMemEval、MEME、MemoryAgentBench全体で、Raw-RAGは7つのベンチマークモデル設定のうち6つの比較メモリシステムの中で第1位である。
• 参考スコア（独自算出の注目度）: 23.154130841693398
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM memory is widely used in long-term conversation understanding. Agentic memory systems often use mutation, structural organization, learned retrieval strategies, or other complex operations. Is this complexity always necessary? We study Raw-RAG, a naive RAG baseline using dense retrieval and reranking over raw history to supply evidence to a reader LLM. Across LoCoMo, LongMemEval, MEME, and MemoryAgentBench, Raw-RAG ranks first among the compared memory systems in six of seven benchmark-model settings, outperforming the strongest compared agentic memory system by 0.13-5.53 points. We investigate why raw-history retrieval remains competitive. Evidence analysis shows that its higher coverage of necessary evidence can offset lower utilization. Useful evidence includes both answer values and the relations and dependency paths needed to derive them. Even complete access to transformed memory stores leaves an accuracy gap relative to raw evidence, highlighting the importance of preserving raw information. These findings challenge the necessity of complex agentic memory for the evaluated conversation tasks and establish naive RAG as an essential baseline.
• Abstract（参考訳）: LLMメモリは長期会話理解に広く利用されている。 エージェントメモリシステムは、しばしば突然変異、構造的組織、学習された検索戦略、その他の複雑な操作を使用する。 この複雑さは常に必要ですか? 我々は,Raw-RAGというRAGベースラインを高密度検索を用いて検討し,生の履歴を再分類し,読み手LLMに証拠を提供する。 LoCoMo、LongMemEval、MEME、MemoryAgentBenchの合計で、Raw-RAGは7つのベンチマークモデル設定のうち6つの比較メモリシステムの中で第1位であり、最大の比較メモリシステムである0.13-5.53ポイントを上回っている。 原史検索が競争力を維持している理由を考察する。 エビデンス分析は、必要な証拠のより高いカバレッジが低い利用率を相殺できることを示している。 有効な証拠には、答えの値と、それらを引き出すために必要な関係と依存性のパスの両方が含まれる。 トランスフォーメーションメモリストアへの完全なアクセスでさえ、生の証拠に対する精度のギャップを残し、生の情報を保存することの重要性を強調している。 これらの知見は,対話タスク評価における複雑なエージェントメモリの必要性に挑戦し,本質的なベースラインとしてナイーブRAGを確立した。

関連論文リスト

• Do Conversational Agents Need Explicit Memory? A Controlled Comparison with Raw-History Retrieval [37.055995647350784]
  明示的なメモリシステムは、会話履歴を将来のアクセスを改善するために永続的な表現に変換する。 本研究は、6つの最先端明示的メモリシステムと生史RAGを比較した。 原生史のRAGベースラインに対する一貫した優位性は見つからない。
  論文  参考訳（メタデータ） (2026-10-17T12:44:30Z)
• Remember by Asking: Retrieval-Induced Memory Evolution for LLM Agents [10.809831681526058]
  RIMEは、メモリ構造をモノリシック圧縮からエビデンス中心の統合に移行する、検索誘起メモリフレームワークである。 推論時には、圧縮されたメモリが唯一の証拠源というよりは、プライマリとして機能する。 Qwen3-235B-A22B と GPT-5.6 Sol による LoCoMo の実験は、RIME が常に最高の性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-09-28T06:57:46Z)
• Mandol: An Agglomerative Agent Memory System for Long-Term Conversations [19.51654277630379]
  Mandolは、断片化されたメモリ表現とストレージを統一されたメモリネイティブアーキテクチャに統合する集約型メモリシステムである。 マンドルは代表エージェントメモリシステムの中で最高の全体的な精度を達成する。
  論文  参考訳（メタデータ） (2026-06-29T04:43:29Z)
• MemSearch-o1: Empowering Large Language Models with Reasoning-Aligned Memory Growth in Agentic Search [59.98962867649009]
  本稿では,メモリ成長とリトラシングに基づくエージェント検索フレームワークであるMemSearch-o1を提案する。 MemSearch-o1はクエリからメモリシードトークンからきめ細かいメモリフラグメントを成長させ、コントリビューション関数を通じてメモリを再トレースし、深く洗練し、最終的にグローバルに接続されたメモリパスを再編成する。
  論文  参考訳（メタデータ） (2026-04-19T05:35:06Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• Improving Multi-step RAG with Hypergraph-based Memory for Long-Context Complex Relational Modeling [83.29209853451697]
  多段階検索強化世代(RAG)は,大規模言語モデル(LLM)の拡張戦略として広く採用されている。 我々はHGMemというハイパーグラフベースのメモリ機構を導入し、複雑な推論とグローバルな理解のためにメモリの概念を動的に表現的構造に拡張する。 提案手法では,ハイパーエッジが異なるメモリ単位に対応するハイパーグラフとして表現され,メモリ内での高次相互作用の進行的形成を可能にする。
  論文  参考訳（メタデータ） (2025-12-30T03:13:10Z)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• MemoRAG: Boosting Long Context Processing with Global Memory-Enhanced Retrieval Augmentation [60.04380907045708]
  Retrieval-Augmented Generation (RAG)は、この問題に対処するための有望な戦略と考えられている。 我々は,グローバルメモリ拡張検索による新しいRAGフレームワークであるMemoRAGを提案する。 MemoRAGは、様々な長期コンテキスト評価タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-09T13:20:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。