BMAM: Marco de Memoria Multiagente Inspirado en el Cerebro
BMAM: Brain-inspired Multi-Agent Memory Framework
January 28, 2026
Autores: Yang Li, Jiaxiang Liu, Yusong Wang, Yujie Wu, Mingkun Xu
cs.AI
Resumen
Los agentes basados en modelos de lenguaje que operan en horizontes de interacción prolongados enfrentan desafíos persistentes para preservar información temporalmente fundamentada y mantener la coherencia conductual entre sesiones, un modo de fallo que denominamos erosión del alma. Presentamos BMAM (Memoria Multi-Agente de Inspiración Cerebral), una arquitectura de memoria de propósito general que modela la memoria del agente como un conjunto de subsistemas funcionalmente especializados en lugar de un único almacén no estructurado. Inspirado por los sistemas de memoria cognitiva, BMAM descompone la memoria en componentes episódicos, semánticos, conscientes de la relevancia y orientados al control, que operan en escalas de tiempo complementarias. Para apoyar el razonamiento de horizonte prolongado, BMAM organiza los recuerdos episódicos a lo largo de líneas de tiempo explícitas y recupera evidencia fusionando múltiples señales complementarias. Los experimentos en el benchmark LoCoMo muestran que BMAM alcanza un 78.45 por ciento de precisión bajo la configuración de evaluación estándar de horizonte prolongado, y los análisis de ablación confirman que el subsistema de memoria episódica inspirado en el hipocampo juega un papel crítico en el razonamiento temporal.
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.