BMAM: Gehirninspiriertes Multi-Agenten-Gedächtnis-Framework

BMAM: Brain-inspired Multi-Agent Memory Framework

January 28, 2026

papers.authors: Yang Li, Jiaxiang Liu, Yusong Wang, Yujie Wu, Mingkun Xu

cs.AI

papers.abstract

Sprachmodellbasierte Agenten, die über längere Interaktionszeiträume operieren, stehen vor anhaltenden Herausforderungen bei der Bewahrung zeitlich verankerter Informationen und der Aufrechterhaltung von Verhaltenskonsistenz über Sitzungen hinweg – ein Fehlermodus, den wir als *Seelenverlust* bezeichnen. Wir stellen BMAM (*Brain-inspired Multi-Agent Memory*) vor, eine allgemeine Speicherarchitektur, die den Agentspeicher als eine Menge funktional spezialisierter Subsysteme modelliert und nicht als einen einzelnen unstrukturierten Speicher. Inspiriert von kognitiven Gedächtnissystemen zerlegt BMAM das Gedächtnis in episodische, semantische, salienz-bewusste und kontrollorientierte Komponenten, die auf komplementären Zeitskalen operieren. Um langfristiges Schließen zu unterstützen, organisiert BMAM episodische Erinnerungen entlang expliziter Zeitachsen und ruft Evidenz durch die Fusion mehrerer komplementärer Signale ab. Experimente auf dem LoCoMo-Benchmark zeigen, dass BMAM unter der standardmäßigen Langzeitevaluierung eine Genauigkeit von 78,45 Prozent erreicht, und Ablationsanalysen bestätigen, dass das hippocampusinspirierte episodische Gedächtnissubsystem eine entscheidende Rolle beim zeitlichen Schließen spielt.

English

Language-model-based agents operating over extended interaction horizons face persistent challenges in preserving temporally grounded information and maintaining behavioral consistency across sessions, a failure mode we term soul erosion. We present BMAM (Brain-inspired Multi-Agent Memory), a general-purpose memory architecture that models agent memory as a set of functionally specialized subsystems rather than a single unstructured store. Inspired by cognitive memory systems, BMAM decomposes memory into episodic, semantic, salience-aware, and control-oriented components that operate at complementary time scales. To support long-horizon reasoning, BMAM organizes episodic memories along explicit timelines and retrieves evidence by fusing multiple complementary signals. Experiments on the LoCoMo benchmark show that BMAM achieves 78.45 percent accuracy under the standard long-horizon evaluation setting, and ablation analyses confirm that the hippocampus-inspired episodic memory subsystem plays a critical role in temporal reasoning.