MAGMA : Une architecture de mémoire agentique basée sur multi-graphes pour les agents IA

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

La Génération à Mémoire Augmentée (MAG) étend les Grands Modèles de Langage avec une mémoire externe pour prendre en charge le raisonnement en contexte long. Cependant, les approches existantes reposent largement sur la similarité sémantique appliquée à des bases de mémoire monolithiques, entremêlant ainsi les informations temporelles, causales et liées aux entités. Cette conception limite l'interprétabilité et l'alignement entre l'intention de la requête et les preuves récupérées, conduisant à une précision de raisonnement sous-optimale. Dans cet article, nous proposons MAGMA, une architecture agentielle de mémoire multi-graphes qui représente chaque élément de mémoire à travers des graphes orthogonaux sémantique, temporel, causal et d'entités. MAGMA formule la récupération comme un parcours guidé par des politiques sur ces vues relationnelles, permettant une sélection adaptative à la requête et une construction de contexte structurée. En dissociant la représentation mémoire de la logique de récupération, MAGMA fournit des chemins de raisonnement transparents et un contrôle granulaire sur la récupération. Les expériences menées sur LoCoMo et LongMemEval démontrent que MAGMA surpasse constamment les systèmes de mémoire agentielle de pointe dans les tâches de raisonnement à long horizon.

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.