MAGMA: Una Arquitectura de Memoria Agéntica Basada en Multigrafos para Agentes de IA
MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents
January 6, 2026
Autores: Dongming Jiang, Yi Li, Guanpeng Li, Bingzhe Li
cs.AI
Resumen
La Generación Aumentada por Memoria (MAG) extiende los Modelos de Lenguaje a Gran Escala con memoria externa para apoyar el razonamiento de contexto largo, pero los enfoques existentes dependen en gran medida de la similitud semántica sobre almacenes de memoria monolíticos, entrelazando información temporal, causal y de entidades. Este diseño limita la interpretabilidad y la alineación entre la intención de la consulta y la evidencia recuperada, lo que conduce a una precisión de razonamiento subóptima. En este artículo, proponemos MAGMA, una arquitectura de memoria agéntica multigrafo que representa cada elemento de memoria a través de grafos semánticos, temporales, causales y de entidades ortogonales. MAGMA formula la recuperación como un recorrido guiado por políticas sobre estas vistas relacionales, permitiendo una selección adaptable a la consulta y una construcción de contexto estructurado. Al desacoplar la representación de la memoria de la lógica de recuperación, MAGMA proporciona trayectorias de razonamiento transparentes y un control granular sobre la recuperación. Los experimentos en LoCoMo y LongMemEval demuestran que MAGMA supera consistentemente a los sistemas de memoria agéntica más avanzados en tareas de razonamiento de horizonte largo.
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.