Raw-RAG — 메모리 기준선으로서의 원본 이력 검색

TL;DR

원본 대화 이력에 대한 밀집 검색과 재순위화가 7개 벤치마크·모델 설정 중 6개에서 비교 대상 에이전트 메모리 시스템보다 좋은 성능을 보였다. 이는 평가한 대화 과제에서 단순한 기준선을 유지해야 한다는 근거이며, 모든 메모리 구조가 불필요하다는 증명은 아니다. (source)

저자와 소속

Zhengye Bao, Shengtao Zhang, Haokai Zhang, Shiqi Lou, Muning Wen, Minnan Luo. 수집한 초록 기록에서 소속은 확인되지 않는다. 최초 제출일은 2026-10-22다. (source)

방법

Raw-RAG는 원본 과거 문단을 밀집 검색하고 재순위화한 다음, 읽기 담당 LLM에 증거를 제공한다. 연구는 이를 변경, 구조화 또는 학습된 검색을 사용하는 메모리 시스템과 비교하고, 증거 포괄 범위와 활용도를 살핀다. 유용한 증거에는 정답 값뿐 아니라 답을 도출하는 데 필요한 관계와 의존 경로도 포함된다. (source)

결과

저자들은 LoCoMo, LongMemEval, MEME, MemoryAgentBench에서 비교 대상 중 가장 강한 에이전트 메모리 시스템보다 0.13-5.53점 앞선다고 보고한다. 필요한 증거를 더 넓게 확보하면 활용도가 낮아도 이를 상쇄할 수 있다. 변환된 메모리 저장소에 완전한 접근을 제공해도 원본 증거와의 정확도 차이가 남는다. (source)

의의

Agents (LLM Agents)와 Context Compaction에 주는 실무적 함의는 메모리 변환을 보존된 원본 정보에 대한 접근과 비교해야 한다는 것이다. 결과는 장기 대화 이해에 관한 것이며, 모든 자율 작업 흐름에서 최선인 설계를 확정하지는 않는다. (source)

열린 질문

수집한 초록에는 전체 모델 설정, 토큰 예산, 검색 비용 또는 지연 시간이 명시되지 않는다. 차이를 메모리 구성 방식만의 효과로 돌리기 전에 이러한 세부 사항과 논문 전체를 검토해야 한다. 독립적인 재현 실험은 수행하지 않았다. (source)

인용

• arXiv:2610.30755 — 최초 제출 2026-10-22.
• 수집한 초록.