收录解读
这篇论文直指当前对话长期记忆系统的主流路线：很多系统在注入阶段就用 LLM 做摘要、结构化或图谱化，再在查询阶段叠加复杂的语义路由。但作者认为这些环节大多在做昂贵而脆弱的过度加工，真正的瓶颈并不在“如何把记忆整理得更复杂”，而在“检索到的大量候选里，什么证据能在 token 截断之前被排到前面”。
论文提出 SmartSearch，一个几乎完全确定性的原始文本检索流水线：用基于 NER/POS 的 query weighting、grep 式子串匹配和规则化实体扩展做高召回，再把真正的机器学习部分压缩到 CPU 上运行的 CrossEncoder + ColBERT 重排序，并用 score-adaptive truncation 动态决定保留多少上下文。最重要的结论不是某个局部模块更强，而是作者通过消融把“compilation bottleneck”说清了：召回很容易做高，难的是排序和截断。
它值得正式收录，因为这不是又一个记忆 benchmark 小修补，而是对 agent memory / conversational memory workflow 的一次很有价值的纠偏。论文明确说明了在这类任务里，保留原始对话纹理、降低结构化损失、强化轻量级 reranking，往往比构建复杂知识图谱或在检索链路里塞更多 LLM 更有效。这对长期记忆代理、RAG 记忆层、低成本部署和工程实现都具有直接参考价值。
它还不到更高一级，原因在于当前证据主要集中在 LoCoMo 和 LongMemEval-S 这类长对话检索基准，时间推理场景仍有明显短板，而纯 grep/规则方法在更脏、更口语化、更超长的真实语料上是否还能保持同样优势也需要进一步验证。因此它更适合定为 breakthrough，而不是更高阶的方法重排。