Memanto: Typisiertes semantisches Gedächtnis mit informationstheoretischer Abfrage für Agenten mit langem Planungshorizont

Memanto: Typed Semantic Memory with Information-Theoretic Retrieval for Long-Horizon Agents

April 23, 2026

Autoren: Seyed Moein Abtahi, Rasa Rahnema, Hetkumar Patel, Neel Patel, Majid Fekri, Tara Khani

cs.AI

Zusammenfassung

Der Übergang von zustandsloser Sprachmodell-Inferenz zu persistenten, autonomen Agenten mit mehreren Sitzungen hat offengelegt, dass der Speicher einen primären architektonischen Engpass bei der Bereitstellung von produktivtauglichen agentenbasierten Systemen darstellt. Bestehende Methodiken basieren weitgehend auf hybriden semantischen Graph-Architekturen, die einen erheblichen Rechenaufwand sowohl während der Ingestion als auch beim Retrieval verursachen. Diese Systeme erfordern typischerweise eine durch Großsprachmodelle vermittelte Entitätsextraktion, die explizite Pflege von Graph-Schemata und Retrieval-Pipelines mit mehreren Abfragen. Dieses Papier stellt Memanto vor, eine universelle Speicherschicht für agentenbasierte Künstliche Intelligenz, die die vorherrschende Annahme herausfordert, dass die Komplexität von Wissensgraphen für hochpräzisen Agentenspeicher notwendig sei. Memanto integriert ein typisiertes semantisches Speicherschema, das dreizehn vordefinierte Speicherkategorien umfasst, einen automatischen Mechanismus zur Konfliktlösung und temporäre Versionierung. Diese Komponenten werden durch Moorchehs Information-Theoretic Search Engine ermöglicht, eine semantische Datenbank ohne Indexierung, die deterministischen Abruf mit Latenzzeiten unter neunzig Millisekunden bietet und Ingestion-Verzögerungen eliminiert. Durch systematische Benchmarking-Tests auf den Evaluierungssuiten LongMemEval und LoCoMo erzielt Memanto state-of-the-art Genauigkeitswerte von 89,8 Prozent bzw. 87,1 Prozent. Diese Ergebnisse übertreffen alle evaluierten hybriden Graph- und vektorbasierten Systeme, erfordern dabei nur eine einzige Retrieval-Abfrage, verursachen keine Ingestion-Kosten und weisen eine deutlich geringere operative Komplexität auf. Eine fünfstufige progressive Ablationsstudie quantifiziert den Beitrag jeder architektonischen Komponente, gefolgt von einer Diskussion der Implikationen für die skalierbare Bereitstellung von agentenbasierten Speichersystemen.

English

The transition from stateless language model inference to persistent, multi session autonomous agents has revealed memory to be a primary architectural bottleneck in the deployment of production grade agentic systems. Existing methodologies largely depend on hybrid semantic graph architectures, which impose substantial computational overhead during both ingestion and retrieval. These systems typically require large language model mediated entity extraction, explicit graph schema maintenance, and multi query retrieval pipelines. This paper introduces Memanto, a universal memory layer for agentic artificial intelligence that challenges the prevailing assumption that knowledge graph complexity is necessary to achieve high fidelity agent memory. Memanto integrates a typed semantic memory schema comprising thirteen predefined memory categories, an automated conflict resolution mechanism, and temporal versioning. These components are enabled by Moorcheh's Information Theoretic Search engine, a no indexing semantic database that provides deterministic retrieval within sub ninety millisecond latency while eliminating ingestion delay. Through systematic benchmarking on the LongMemEval and LoCoMo evaluation suites, Memanto achieves state of the art accuracy scores of 89.8 percent and 87.1 percent respectively. These results surpass all evaluated hybrid graph and vector based systems while requiring only a single retrieval query, incurring no ingestion cost, and maintaining substantially lower operational complexity. A five stage progressive ablation study is presented to quantify the contribution of each architectural component, followed by a discussion of the implications for scalable deployment of agentic memory systems.