给智能体装记忆这两年火得发烫，可伊利诺伊大学香槟分校这帮人问了一个谁都跳过的问题：装了记忆，到底比把原始对话切块建索引直接捞，好多少？答案是：99 组对照，90 组输。十一款系统，没有一款全面跑赢教科书式的朴素检索。
补漏 1：公平性设计才是这篇最该学的
以往各家记忆系统互比，检索预算不对等——有的每次只给几条摘要，有的捞一大坨，结论天然歪。这篇定了统一尺度：算每个系统暴露给模型的检索内容 token 量占其可检索库的比例，把各家调到不低于朴素检索的水平。等于先给对手松绑再开赛。调完还是输。九个组合全负的有 A-Mem、SimpleMem、HippoRAG2、MAGMA、OpenViking 五家，OpenViking 在长程对话基准上落后 40 个百分点——分层数据库越精致，掉得越狠。连用强化学习专门练记忆更新的 Memory-R2，九组里照样八组是负的。
补漏 2：对照组把这个结论也堵死了
读到这里容易滑向「记忆没用」，论文早备好了三面镜子。全部原始记录塞进上下文（Full Context），在用户偏好基准上反而比检索还差——小模型被塞爆之后该答对的也答不对。什么都不给（No Context）也有 9 到 29 分的底，说明相当一部分问题靠通用能力就能答。金标对照（人工挑的完美上下文）能到 73 到 93 分。三面镜子一照，结论只剩一个：信息是有的，好答案也存在，坏掉的是中间那段加工。
补漏 3：税从哪来，论文追了三条线
保真：构建环节的压缩和改写丢证据，抽样追踪原子事实在记忆单元里的留存度，人工标注确认多数系统确实在丢。可达：保住了但埋深了也白搭，记忆系统的第一轮检索命中率普遍低于朴素检索，证据被自己的结构埋住了。鲁棒：换一个骨干重建记忆、换一个骨干答题，分数波动明显。还有一条评估侧的发现最扎心：基准越简单，税越显眼——你选的考题难度，决定你看到的记忆系统是赚是赔。
补漏 4：修法轻得意外
论文刻意避开「再造一个新架构」，两条都是管道活：让偏离可恢复——记忆检索照常跑，同时从原始记录里也捞一把，两边合在一起重排再答题，几款系统接上之后分数一致上抬；递归检索——第一轮结果太薄时自动再挖一层。另外这套框架不止于对话记忆：网页任务上把轨迹蒸馏成工作流能赢检索，工具调用任务上同样几款方法反而落后——同一个机制换个域，收益变税。
作者名单里有两个名字值得记住：Jiawei Han 和 ChengXiang Zhai，一个做了二十年数据挖掘，一个做了二十年信息检索。拿检索当基线，像是他们的本能。
下一根钉子：论文 10 月 25 日挂出，代码和全部结果承诺开源但截至发稿还没放出来——等 leaderboard 上线，第一件该看的事是那 9 组赢的集中在什么任务形态上；经验记忆（网页轨迹蒸馏）赢检索的域边界在哪里，值得单独扒。
边界一条：11 个系统、3 个基准、3 个骨干，覆盖面已经不小，但记忆系统这个赛道一年冒出来的新架构远不止 11 个，输的名单里没有最新一季的明星产品——结论是「这 11 款在长程交互上净值为负」，不是「记忆这条路死了」。金标 73 到 93 分这个数反而说明：这条路的天花板很高，摔死人的是地基。