Techniques et rechercheRecherche diffusée

Raw-RAG conserve l’historique brut pour comparer les mémoires complexes des agents

Source publiée le arXiv2 min de lecture

L’essentiel de l’annonce

Raw-RAG recherche puis reclasse des passages dans l’historique conversationnel brut. L’étude l’utilise comme référence simple face aux systèmes qui transforment d’abord la mémoire.

Date de publication de la source
Catégorie
Techniques et recherche
Périmètre et accès
Prépublication diffusée le 23 octobre, déposée le 22.
Sujet du contenu
Mémoire agentique
Entreprises / organismes
Raw-RAG

Historique indexé

Le système indexe les échanges originaux puis assemble les passages retenus pour le modèle lecteur. Il évite de convertir systématiquement l’historique en faits, résumés ou graphes. Les auteurs analysent si cette conservation des relations entre passages suffit pour les questions qui demandent plusieurs étapes de raisonnement.

Retrouver sans transformer
1

Historique brut

Les échanges originaux restent consultables.

2

Passages

Le système sélectionne les éléments pertinents.

3

Réponse

Le modèle raisonne sur les passages assemblés.

Historique brut

Les échanges originaux restent consultables.

Passages

Le système sélectionne les éléments pertinents.

Réponse

Le modèle raisonne sur les passages assemblés.

Illustration simplifiée. Les dessins ne montrent pas de résultats mesurés.

Points techniques et opérationnels

  • L’historique brut reste une base solide.
  • Les résultats ne couvrent pas l’usage continu en production.

Référence simple

Exemples possibles. L’annonce ne démontre pas de gains pour ces usages.

Exemple pédagogique

Exemple fictif

Un agent cherche des détails liés dans son historique avant de répondre.

Deux questions pour évaluer l’intérêt

  • Comparer à la référence plein contexte.
  • Mesurer stockage et coût de lecture.

Qui peut l’utiliser, avec quelles limites ?

Recherche diffusée

Raw-RAG arrive devant les mémoires agentiques comparées dans six configurations sur sept, mais pas devant la référence qui reçoit tout le contexte. Les essais portent sur des conversations enregistrées. Le stockage brut, la suppression, le coût des lectures et le choix du modèle restent des limites.

Conditions d’accès : Prépublication publique et code de recherche annoncé. Aucun service disponible ni tarif.

Évaluation de mémoire

Interprétation éditoriale à partir de l’annonce.

Une base simple aide à mesurer le gain réel d’une architecture.

Les mots utiles pour comprendre

Données connectées

Des données connectées proviennent d’une source reliée à l’outil, comme un logiciel de ventes. Le tableau de bord affiche des chiffres à partir de cette source. Il faut vérifier leur calcul et leur date de mise à jour.

Comprendre cette technologie

Sources et vérifications

arXiv - Is Complex Agentic Memory Always Needed? Naive RAG Is Stronger Than We Thought

Lire la source officielle

Source vérifiée le . Synthèse originale. Les résultats annoncés restent attribués à leur source. Les dessins expliquent le principe ; les exemples présentent un usage possible.

Article, annexes et notice relus intégralement. Aucun benchmark exécuté.

Publié sur ce site le . Mis à jour le . Rédaction : Boris Shutov, avec l’aide de ChatGPT. Notre méthode éditoriale.