MAGMA: Eine Multi-Graph-basierte agentische Speicherarchitektur für KI-Agenten
MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents
January 6, 2026
papers.authors: Dongming Jiang, Yi Li, Guanpeng Li, Bingzhe Li
cs.AI
papers.abstract
Memory-Augmented Generation (MAG) erweitert Large Language Models um externen Speicher, um schlussfolgerndes Denken über lange Kontexte zu unterstützen. Bisherige Ansätze stützen sich jedoch weitgehend auf semantische Ähnlichkeit in monolithischen Speicherstrukturen, wodurch temporäre, kausale und Entitätsinformationen vermischt werden. Dieses Design limitiert die Interpretierbarkeit und die Abstimmung zwischen Abfrageabsicht und abgerufenen Belegen, was zu suboptimaler Reasoning-Genauigkeit führt. In diesem Beitrag stellen wir MAGMA vor, eine multi-graphische, agentenbasierte Speicherarchitektur, die jedes Speicherelement über orthogonale semantische, temporale, kausale und Entitätsgraphen abbildet. MAGMA formuliert das Retrieval als policy-gesteuerte Traversierung dieser relationalen Sichten, wodurch eine abfrageadaptive Auswahl und strukturierte Kontextkonstruktion ermöglicht wird. Durch die Entkopplung der Speicherrepräsentation von der Retrieval-Logik bietet MAGMA transparente Reasoning-Pfade und feingranulare Kontrolle über das Retrieval. Experimente auf LoCoMo und LongMemEval zeigen, dass MAGMA agentenbasierte Speichersysteme des State-of-the-Art in langfristigen Reasoning-Aufgaben konsistent übertrifft.
English
Memory-Augmented Generation (MAG) extends Large Language Models with external memory to support long-context reasoning, but existing approaches largely rely on semantic similarity over monolithic memory stores, entangling temporal, causal, and entity information. This design limits interpretability and alignment between query intent and retrieved evidence, leading to suboptimal reasoning accuracy. In this paper, we propose MAGMA, a multi-graph agentic memory architecture that represents each memory item across orthogonal semantic, temporal, causal, and entity graphs. MAGMA formulates retrieval as policy-guided traversal over these relational views, enabling query-adaptive selection and structured context construction. By decoupling memory representation from retrieval logic, MAGMA provides transparent reasoning paths and fine-grained control over retrieval. Experiments on LoCoMo and LongMemEval demonstrate that MAGMA consistently outperforms state-of-the-art agentic memory systems in long-horizon reasoning tasks.