Un RAG naïf devance les systèmes de mémoire agentiques dans six tests sur sept

Une équipe de chercheurs a vérifié si la mémoire des LLM avait vraiment besoin de toute la complexité qu'on y ajoute. Face aux systèmes agentiques sophistiqués, elle a aligné Raw-RAG : un pipeline minimal où la recherche dense et le reranking travaillent sur l'historique brut du dialogue et transmettent les fragments trouvés au modèle lecteur. Sur quatre benchmarks de mémoire longue (LoCoMo, LongMemEval, MEME et MemoryAgentBench), cette base de référence se classe première parmi les systèmes comparés dans six des sept paires « benchmark — modèle ». Elle devance le système agentique le plus performant de 0,13 à 5,53 points.

Ce qui a été comparé

Ces dernières années, les systèmes de mémoire agentiques n'ont cessé d'accumuler des mécanismes. Ils réécrivent les entrées, structurent le stockage, entraînent des stratégies de récupération et exécutent d'autres opérations complexes. L'idée se comprend : un dialogue de plusieurs centaines de répliques ne tient pas dans le contexte, il faut donc le compresser, l'organiser et en extraire soigneusement l'information utile.

Raw-RAG prend le contre-pied de cette approche. Personne ne reformule ni ne restructure l'historique. Il reste tel quel : la recherche en extrait les passages pertinents, le reranker les ordonne et le LLM lecteur répond à la question. Les auteurs ont volontairement rendu ce schéma aussi direct que possible afin d'obtenir un point de référence honnête.

L'écart en points est parfois modeste, avec une borne basse de seulement 0,13. Mais l'essentiel n'est pas son ampleur, c'est sa direction : un système sans mémoire modifiable, sans structure et sans récupération entraînée arrive presque partout en tête.

Pourquoi l'historique brut fonctionne

Les auteurs ne se sont pas arrêtés au tableau de résultats : ils ont cherché l'origine de cette compétitivité. L'analyse des éléments de preuve montre que Raw-RAG l'emporte grâce à sa couverture. Il retrouve plus souvent toutes les preuves nécessaires à la réponse, ce qui compense l'efficacité plus faible avec laquelle le lecteur les exploite.

Un détail important concerne la nature même de ces preuves. L'information utile ne se limite pas aux valeurs finales, comme une date ou un nom. Elle inclut aussi les relations entre les faits et les chaînes de dépendances par lesquelles la réponse se déduit. Quand la mémoire est convertie en entrées condensées ou en structure, ces liens se perdent facilement.

L'observation la plus parlante : même avec un accès complet aux stockages transformés, l'écart de précision avec les preuves brutes persiste. Le problème ne tient donc pas seulement au fait que la recherche agentique rate parfois sa cible. La transformation elle-même écarte une partie de l'information, qu'on ne peut ensuite plus reconstituer.

Données clés

• Benchmarks : LoCoMo, LongMemEval, MEME, MemoryAgentBench.
• Pipeline Raw-RAG : recherche dense, reranking, modèle lecteur.
• Résultat : première place dans six des sept configurations « benchmark — modèle ».
• Avance sur la meilleure mémoire agentique : 0,13–5,53 points.
• Mécanisme : meilleure couverture des preuves nécessaires, mais exploitation moins efficace de celles-ci.
• L'écart avec les données brutes persiste même avec un accès complet à la mémoire transformée.

Ce qu'il faut changer en pratique

La première conséquence concerne la méthode d'évaluation. Il est désormais logique de comparer tout nouveau système de mémoire à Raw-RAG, et les auteurs en font explicitement une base de référence obligatoire. Si une architecture complexe ne fait pas mieux qu'une recherche sur l'historique brut, son coût et ses points de défaillance supplémentaires ne se justifient pas.

La deuxième conséquence concerne l'ingénierie. Avant de construire une couche qui réécrit et réorganise la mémoire d'un agent, mieux vaut conserver les répliques d'origine et mesurer la part des preuves nécessaires que la recherche parvient à retrouver. Si la couverture est élevée mais que les réponses restent faibles, le problème vient du lecteur. Si elle est faible, il faut améliorer la recherche plutôt que reconstruire le stockage.

Troisième point : la compression a un coût. Si le système a malgré tout besoin de résumé ou de structuration, mieux vaut garder le texte source à côté, comme source de secours, pour pouvoir rétablir les liens et les chaînes de dépendances.

Les conclusions ont aussi une limite, que les auteurs formulent avec prudence : elles portent sur les tâches de compréhension de dialogues longs qui ont été testées. Ils se gardent d'affirmer qu'une mémoire sophistiquée est inutile partout. Mais pour cette classe de tâches, la présomption s'inverse : c'est à la complexité supplémentaire de prouver qu'elle fait mieux qu'une base simple, et non l'inverse.